Agentic RAG 的 7 种企业级架构

你好，我是渔夫。

今天，分享一篇长达 35 页的最新Agentic RAG 综述。

论文想解决的核心问题是，当今天大型语言模型（LLMs）在处理动态、实时查询时依赖静态训练数据导致的过时、不准确输出、幻觉等问题。

它从最基本原则和 RAG 范式的演变开始，介绍 Agentic RAG 的 7 种架构。还重点介绍在 5 种应用场景的效果，如医疗保健、金融和教育等行业中的关键应用，且非常详细。

Agentic RAG 原理

首先，来看 Agentic RAG 是如何破局传统的限制，成为新的探索方向呢。

一般来说，普通常 Agent 包括 4 部分组成：

• LLM（具有定义的角色和任务）：作为 Agent 主要推理引擎，帮助用户查询，生成响应，并保持连贯性。
• 记忆（短长期记忆）：在互动过程种上下文和依赖数据，短期记忆会跟踪对话状态，而长期记忆具备长期存储数据能力。
• 规划（反思与自我评价）：可以通过自我反思和自我评判引导 Agent 的迭代推理。
• 工具（如向量搜索、网络搜索、API 等）：仅靠上面三个部分 Agent 还是过于简单，通过工具扩展来提搞 Agent 能力，如调用外部资源，实时获取数据等。

然后，Agentic RAG 带来了新的 4 种机制。