|
傳統(tǒng)的檢索增強生成（RAG）系統(tǒng)通過結(jié)合大語言模型（LLM）和向量數(shù)據(jù)庫，克服了現(xiàn)成 LLM 的限制。  然而，這些系統(tǒng)在多任務處理時面臨挑戰(zhàn)，并且不適用于復雜用例。在你構(gòu)建簡單的問答聊天機器人、支持機器人等時還可以，但一旦事情變得稍微復雜，傳統(tǒng)的 RAG 方法就會失敗。它們通常在上下文化檢索到的數(shù)據(jù)時遇到困難，導致表面響應可能無法完全解決查詢的細微差別。 主動式 RAG 作為傳統(tǒng) RAG 的演變，通過整合 AI 智能體來增強 RAG 方法。這種方法采用自主智能體來分析初步發(fā)現(xiàn)，并戰(zhàn)略性地選擇有效的工具進行數(shù)據(jù)檢索。  這些 AI 智能體有能力將復雜任務分解為幾個子任務，使其變得容易處理。它們還具有記憶（如聊天歷史），所以它們知道發(fā)生了什么以及接下來需要采取什么步驟。  此外，這些 AI 智能體非常智能，它們可以在需要解決任務時調(diào)用任何 API 或工具。智能體可以提出邏輯、推理并據(jù)此采取行動。這就是主動式 RAG 方法如此突出的原因。系統(tǒng)將復雜查詢分解為可管理的段落，為每個部分分配特定智能體，同時保持無縫協(xié)調(diào)。 |
|
|
