Loading...

🤖

智能体 RAG(AgRAG)

具备自主规划、检索和推理能力的自主检索增强生成系统

复杂度: high知识检索（RAG）

In 30 seconds

What: 智能体自主规划检索步骤，根据结果优化查询，并在多篇文档之间进行推理，各次检索之间无需人工介入。
When to use: 需要跨领域知识、迭代式细化，或跨越大量文档的推理链的复杂研究性问题。
Watch out: 智能体可能为了追求微小改进而无限循环，或在查询优化跑偏时检索到无关文档。

Loading technique guide…

Patterns

Loading...

设计模式与技术

Loading...

🤖

智能体 RAG(AgRAG)

具备自主规划、检索和推理能力的自主检索增强生成系统

复杂度: high知识检索（RAG）

In 30 seconds

What: 智能体自主规划检索步骤，根据结果优化查询，并在多篇文档之间进行推理，各次检索之间无需人工介入。
When to use: 需要跨领域知识、迭代式细化，或跨越大量文档的推理链的复杂研究性问题。
Watch out: 智能体可能为了追求微小改进而无限循环，或在查询优化跑偏时检索到无关文档。

30 秒速览

模式： 利用工具与推理动态规划、执行并调整多步检索策略的自主智能体系统

原因： 支持需要战略思考、适应性与多源综合的复杂信息收集工作流

关键洞察： 结合工具编排的 ReAct 式规划,使智能体能够推理检索策略并根据结果自适应

快速实现

1智能体规划:将复杂查询分解为带推理的多步检索计划

2工具编排:使用专用工具(搜索、数据库、API)执行检索动作

3动态适应:根据中间结果与反馈调整策略

4证据综合:通过推理链整合多源证据

5响应生成:生成带完整引用与推理轨迹的最终答案

Example: complex_query → plan_decomposition → [retrieve_1, retrieve_2, ...] → adapt_strategy → synthesize → response

何时使用

适用场景

• 需要战略性信息收集的复杂多步研究
• 需要多样知识来源与推理的跨领域查询
• 检索策略必须自适应的动态知识环境
• 需要可解释推理与来源溯源的高风险应用
• 能从类人信息搜寻方式中获益的研究与分析任务

避免场景

• 标准 RAG 方法已能充分满足的简单事实型查询
• 对时延与成本有严格约束的实时应用
• 工具可用性有限或 API 访问受限的领域
• 要求检索行为具备确定性的应用
• 资源受限、无法支撑复杂智能体推理的环境

关键指标

计划执行成功率

无错误完成的智能体计划占比

检索策略有效性

自适应检索策略相较固定策略的质量提升

证据综合质量

多源信息整合的连贯性与完整性

推理轨迹保真度

逐步推理链的准确性与可解释性

工具利用效率

对可用检索工具与 API 的最优使用

成本与质量权衡

每单位计算成本与 API 调用所换取的答案质量

主要应用场景

研究智能:采用自适应检索策略与交叉引用验证的科学文献综述

商业分析:结合财务数据、新闻与行业报告并辅以战略推理的市场研究

法律取证:跨法域判例检索与先例分析工作流

技术排查:结合动态工具选择与推理的软件调试与故障排除

医疗诊断支持:从多个医学数据库收集证据的临床决策支持

参考资料与延伸阅读

通过这些精选资源加深理解

基础论文与智能体 RAG 研究

ReAct: Synergizing Reasoning and Acting in Language Models (Yao et al., 2022)

Toolformer: Language Models Can Teach Themselves to Use Tools (Schick et al., 2023)

HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face (Shen et al., 2023)

Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al., 2020)

智能体框架与规划方法

AutoGPT:自主 GPT-4 实验

LangGraph:使用 LLM 构建有状态的多参与者应用

CrewAI:编排角色扮演式自主 AI 智能体的框架

Microsoft AutoGen:通过多智能体对话实现下一代 LLM 应用

工具集成与 function calling

OpenAI Function Calling:将 GPT 连接到外部工具

Anthropic 工具使用与 function calling 指南

Google Gemini function calling 与工具集成

LangChain 工具与智能体:完整实现指南

多步推理与规划

Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (Wei et al., 2022)

Tree of Thoughts: Deliberate Problem Solving with Large Language Models (Yao et al., 2023)

Self-Consistency Improves Chain of Thought Reasoning (Wang et al., 2022)

Program-aided Language Models (Gao et al., 2023)

实现框架与生产系统

LlamaIndex Agent Framework:工具增强型 RAG 系统

Haystack Agent Pipeline:多步信息检索

Semantic Kernel:微软的 AI 编排框架

LangSmith:面向智能体式 RAG 系统的生产监控

评估与质量评价

AgentBench: Evaluating LLMs as Agents (Liu et al., 2023)

WebShop: Towards Scalable Real-World Web Interaction with Grounded Language Agents (Yao et al., 2022)

ToolQA: A Dataset for LLM Question Answering with External Tools (Zhuang et al., 2023)

Loading...

智能体 RAG(AgRAG)

In 30 seconds

Patterns

Loading...

设计模式与技术

Loading...

智能体 RAG(AgRAG)

In 30 seconds

30 秒速览

快速实现

推荐与避免

何时使用

适用场景

避免场景

关键指标

主要应用场景

参考资料与延伸阅读

基础论文与智能体 RAG 研究

智能体框架与规划方法

工具集成与 function calling

多步推理与规划

实现框架与生产系统

评估与质量评价

Patterns

设计模式与技术

Loading...

设计模式与技术

30 秒速览

快速实现

推荐与避免

何时使用

适用场景

避免场景

关键指标

主要应用场景

参考资料与延伸阅读

基础论文与智能体 RAG 研究

智能体框架与规划方法

工具集成与 function calling

多步推理与规划

实现框架与生产系统

评估与质量评价

设计模式与技术