在这一期咖啡休息室概念中，我们将了解AgenticRAG如何帮助解决传统RAG的局限性。

RAG（检索增强生成）框架按照特定的顺序运行：

文档 -> 文本块 -> 向量数据库 -> 文本块检索（Top K）-> 大型语言模型

然而，当处理某些类型的查询时，这个序列会遇到障碍。

传统RAG管道

考虑一个查询如“总结文档”。

• 传统的 RAG 方法检索 top K 个片段并对其进行总结。
• 但是，如果检索文档中的所有片段并对其进行总结，岂不是更全面吗？

RAG 的摘要问题

• 当被要求比较文档A和文档B时，基本的RAG会随机检索一些片段并尝试比较这些Top K片段。
• 这并不能准确地反映情况，因为它不能代表文档的全部内容。

问题2：比较文档

考虑一个问题如“下一次休假是什么时候？”。

• 第一步是从结构化表格中检索员工所属的地区。
• 根据地区，从请假政策文档中提取该地区的下一个假期。
• 使用当前的RAG框架，这个过程并不像上述步骤那样直接。

问题3：结构化数据分析

考虑一个问题如“识别所有地区的通用假期？”。

• 想象一下，你有一份公司在120个国家使用的请假政策文件。
• 由于你传递的是前K个上下文，可以比较的最大区域数量限制为K，其中K是传递给LLM的块的数量。

问题4：多部分问题

查看我们的 AgenticRAG with LlamaIndex 课程，包含 5个真实案例研究。

课程链接: https://www.masteringllm.com/course/agentic-retrieval-augmented-generation-agenticrag

Agentic RAG 可以通过自定义代理替换来解决这四个问题。

• 代理将与多个系统交互。
• RAG 现在是该系统的一部分，代理可以使用它。

Agentic RAG

• 代理使用LLM来自动化推理和工具选择
• RAG只是代理可能决定使用的另一种工具。

• 路由代理是简单的代理，用于路由查询。
• 一个代理可以将查询路由到一个或多个工具。
• 记住我们的问题“总结文档”或如果我们想结合“总结+语义搜索”的问题，可以使用下面的路由示例来解决。

路由代理

• 查询规划代理将查询分解为子查询。
• 每个子查询都可以在RAG管道上执行。

查询规划代理

• 大型语言模型（LLMs）可以拥有多种工具，例如调用API、推断API参数。
• RAG现在是LLM可能使用的一种工具。

工具 For 代理

• RAG 在处理复杂问题时存在局限性。
• 一些用例，如摘要、比较等，仅靠 RAG 无法解决。
• Agentic RAG 可以帮助克服 RAG 的局限性。
• Agentic RAG 将 RAG 视为可以用于语义搜索的工具。
• 配备了路由、查询规划和工具的代理可以超越传统 RAG 应用程序的表现。

查看我们的 AgenticRAG with LlamaIndex Course，包含5个真实的案例研究。

查找我们所有的咖啡休息概念系列：

精通LLM致力于在未来5年内培训1000万AI工程师。我们提供全面的课程……
www.masteringllm.com](https://www.masteringllm.com/?source=post_page-----4402ef7f8448--------------------------------#/coffee_break_concepts)

您的 反馈和点赞鼓励我们 为社区创造更好的内容。

你可以鼓多次掌吗？是的你可以