- 综合排序
- 最热优先
- 最新优先
- 来自专栏自然语言处理
Agentic RAG 解释
RAG（检索增强生成）通过提供来自外部知识源的相关背景来帮助提高 LLM 答案的准确性和可靠性。 Agentic RAG 是高级 RAG 版本，它使用 AI 代理来更加自主地行动。 Agentic RAG 执行以下操作 查询理解、分解和重写 检索策略选择 知识库管理 结果综合与后处理 迭代查询和反馈循环
30200编辑于 2025-01-09 - 来自专栏AgenticAI
Agentic RAG：超越传统RAG与案例分享
本文先讨论 Agentic RAG 常见范式，然后推荐一些流行的 Agentic RAG 开发示例：Nvidia 的 Agentic RAG 案例和基于 LlamaIndex 的 Agentic RAG 而 Agentic RAG 则会： 识别信息鸿沟 主动寻找补充信息源 尝试重新生成更优答案 2. Agentic RAG 资源推荐 1. Nvidia Agentic RAG Nvidia 展示的 Agentic RAG 只是一个示例，参考了如下 3 篇论文实现。 路由 (Adaptive-RAG[1]). LlamaIndex Agentic RAG DeepLearning.ai 的课程Agentic RAG[4]，由 LlamaIndex 的创始人 Jerry Liu 讲授，描述了一种使用 LlamaIndex 如何构建 Agentic RAG 的流程。
2.6K31编辑于 2025-03-18 - 来自专栏自然语言处理
LLM Agent和 Agentic RAG 的最佳综述
Agentic RAG系统的详细分类，展示了单代理、多代理、分层、纠正、自适应和图基RAG等框架。 本文探讨了从RAG到Agentic RAG的演进，展示了： 代理模式：驱动系统适应性和智能的核心原则。 分类：Agentic RAG架构的全面分类。 可视化表示 单代理RAG图 多代理RAG图 分层RAG工作流 基于图的RAG工作流 ADW工作流 Agentic RAG框架的比较分析 下表提供了三种架构框架的全面比较分析：传统RAG、Agentic Agentic RAG: 通过查询重构和自查询加速检索增强生成。 Agentic RAG: 结合RAG与代理以增强信息检索。
1.1K11编辑于 2025-01-22 - 来自专栏架构驿站
一文读懂 Agentic RAG 技术点滴
虽然标准 RAG 在处理少量文档的简单查询方面表现出色，但 Agentic RAG 更进一步，成为问答领域的强大解决方案。 —02 — 什么是 Agentic RAG ？ Agentic RAG 凭借其创新设计，展现出以下关键特性和显著优势，具体可参考： 1、协调问答过程 Agentic RAG 通过将问答过程分解为可管理的步骤，分配适当的代理执行任务 —03 — Agentic RAG 是如何工作的呢 ？ Agentic RAG（代理增强检索生成）的运作方式体现了对传统检索增强生成（RAG）流程的智能化升级。 在现代 AI 应用中，尤其是在处理多源知识和实时数据时，Agentic RAG 的灵活性成为其核心优势。Agentic RAG 的核心在于其多层次架构，融合了代理智能、检索技术和生成模型。
1.7K01编辑于 2025-04-04 - 来自专栏DeepHub IMBA
Agentic RAG：用LangGraph打造会自动修正检索错误的 RAG 系统
而Agentic RAG 的思路截然不同，它不急着从检索结果里硬挤答案，而是先判断一下拿回来的东西到底有没有用，如果没用则会重写查询再来一轮。 本文要做的就是用 LangGraph 做流程编排、Redis 做向量存储，搭一个生产可用的 Agentic RAG 系统。涉及整体架构设计、决策逻辑实现，以及状态机的具体接线方式。 Agentic RAG 的解法是在流程中插入检查点：智能体先判断要不要检索；检索完了有评分环节确认相关性；不相关就重写查询再试；如此循环直到拿到合格的上下文，或者把重试次数耗尽为止。 文档评分逻辑 edges.py 里的 grade_documents 是整个 Agentic 机制的核心。 检索完成后它会逐个审视返回的文档：这东西跟用户问的相关不相关？能不能帮上忙？ 总结 标准 RAG 把检索当黑盒，查询丢进去、文档出来，至于相不相关全凭运气。Agentic RAG 打开这个黑盒在关键位置加了质量控制。
21710编辑于 2026-01-12 - 来自专栏自然语言处理
PageIndex：构建无需切块向量化的 Agentic RAG
基于推理的RAG提供了更好的选择：让大语言模型能够思考和推理，找到最相关的文档部分。受AlphaGo启发，Vectify AI提出使用树搜索来执行结构化文档检索。 PageIndex 是一个文档索引系统，它从长文档构建搜索树结构，为基于推理的RAG做好准备。 由Vectify AI开发。 json数据 那PageIndex的亮点在哪里呢，其实在最后一部分“使用PageIndex进行基于推理的RAG”的实现，相比之前的Advanced和Modular RAG，Agentic RAG更加智能 案例研究：Mafin 2.5 Mafin 2.5是一个专为财务文档分析设计的最先进基于推理的RAG模型。 它基于PageIndex构建，在FinanceBench基准测试中达到了惊人的98.7%准确率——显著优于传统的基于向量的RAG系统。
1.2K10编辑于 2025-04-23 - 来自专栏Elastic Stack专栏
构建智能代理：使用Elasticsearch与Langchain实现Agentic RAG
现在，我们来看一下如何使用Elasticsearch作为知识库，并使用Langchain作为代理框架来实现Agentic RAG。 让我们看看如何修改这个工具以用于RAG。Agentic RAG我最近在Elastic Cloud部署中构建了一个大型且复杂的知识库，使用了POLITICS数据集。 Agentic RAG 的一个优势是我们可以通过多个对话步骤开发答案。换句话说，更复杂的查询可以通过引导问题来设定舞台和上下文。问答变成了基于事实的对话，而不是一次性的答案生成。 测试Agentic RAG让我们通过以下查询来测试：总结2020年加州野火的联邦响应Langchain会输出中间步骤，包括 RAG_Search 函数的输入、搜索结果和最终输出。 )# 使用StructuredTool定义RAG搜索工具rag_search_tool = StructuredTool( name="RAG_Search", func=rag_search
93911编辑于 2024-12-17 - 来自专栏架构驿站
一文读懂 Agentic RAG 数据检索范式
Agentic RAG 在各种需要深度理解和洞见的应用领域都具有巨大的潜力。 4、Agentic Enhancement（代理增强技术） Agentic Enhancement（代理增强技术）的应用赋予了 LLM 和 RAG 前所未有的智能化能力。 — 02 —什么是 Agentic RAG ？ 通常来讲，我们可以一句话对其进行概括，Agentic RAG，即“基于代理“的 RAG 实现。 与传统方法相比，Agentic RAG 的核心优势在于其创新的代理框架赋予了系统前所未有的智能化能力。 — 03 — Agentic RAG 的独特之处在哪 ？
71910编辑于 2024-11-01 AI智能知识库-传统RAG的末日-从RAG到Agentic Full-text Retrieval模式
好了，那么接着我的疑问是Agentic Full-text Retrieve这种模式和Agentic RAG两种模式又有什么区别？ RAG到Agentic RAG本身的一个技术升级。 所以你也可以简单理解Agentic RAG是结合了Agent任务规划分解，记忆，多轮执行能力的RAG机制。 我们还是拿前面如何搭建知识体系的问题来说明。 这种全局视角是传统RAG做不到的。 最后简单总结： 传统RAG：像一个只会查字典的学生，查到什么用什么。 Agentic RAG：像一个会研究的学者，知道如何全面调研、交叉验证、系统整理。 对于你的需求（基于2000篇个人博客回答问题，保持风格一致），做法2 > Agentic RAG > 传统RAG，因为： 做法2无需向量化，直接访问完整文档 Agentic RAG虽然有Agent能力，
22311编辑于 2025-11-17- 来自专栏小白维基
「翻译」使用 Llama-index 实现的 Agentic RAG-Router Query Engine
接下来就跟我一起将 agents 概念引入传统的 RAG 工作流，重新构建自己的 Agentic RAG 系统吧。 在本文中，我会介绍如何使用 Llama-index 实现基本的 Agentic RAG 应用。我将在接下来的几周发布一系列（共四篇）有关 Agentic RAG 架构的文章，本文是这个系列的第一篇。 Agentic RAG 还能使 RAG 系统具有工具调用的能力，并且这些工具可以是自定义函数。 RAG； 在文档集中具有多步推理能力的 Agentic RAG。 下图是本文要实现的路由式查询引擎的基本结构： 项目环境初始化 创建一个名为 agentic_rag 的目录作为本系列文章的项目目录，再在 agentic_rag 内部创建一个名为 basics 的目录作为本文代码实践的工作目录
95710编辑于 2024-06-14 如何更好的应用AI辅助写作06-从RAG到Agentic RAG的实践方法论参考
今天继续聊AI辅助写作的内容核心还是重新归纳整理下我前面谈过的基于AI辅助工具，将RAG转化为Agentic RAG或FullText Research模式的智能AI辅助写作实践。 这篇文章详细探讨了AI智能知识库从传统RAG（检索增强生成）向Agentic模式演进的技术路径。 本章节将深入剖析四种截然不同的技术范式——传统RAG、智能体RAG（Agentic RAG）、图谱RAG（GraphRAG）以及本方法论所采用的“智能体文件系统问答”（Agentic File System 1.2 范式二：智能体RAG（Agentic RAG）——检索过程的智能化升级 Agentic RAG是对传统RAG的一次重要改进。其核心特征是引入了AI智能体（Agent）来优化和编排检索过程。 System QA > Agentic RAG > GraphRAG > 传统RAG。
15210编辑于 2025-12-29- 来自专栏腾讯云TVP
推理模型升级浪潮下，Agentic RAG 如何借力 DeepSeek 实现知识革命？
RAG及其范式转变 如今所有大模型都具备深度思考和联网搜索两大功能，RAG 可被视为实现联网搜索的一种方式。 在这种“既要又要还要”的需求下，RAG 应运而生并不断发展。最初的 RAG 很简单，就是索引、检索和生成。 随着 RAG 的发展，逐渐形成了标准流程和模块，每个模块包含相应的组件和算法。为了实现 Agentic（智能体）功能，需要反复迭代和调整，对模型进行微调和适配。 RAG新趋势——Graph与RAG的协同 最近 GraphRAG 在 RAG 领域非常热门，大家都在讨论它，但这个概念其实并不新鲜，只是微软将其推进并引发了很多讨论。 RAG+Reasoning—— 如何在RAG中注入推理能力 回顾完 DeepSeek，现在来探讨如何在 RAG 中融入推理能力。
48410编辑于 2025-04-11 - 来自专栏福大大架构师每日一题
Agentic RAR+Nano-GraphRAG+Claude 3.7 Sonnet=最强智能推理RAG系统，未来已来！
在这篇文章中，我将向你介绍如何利用 LangGraph、Agentic RAR、Nano-GraphRAG 和 Claude 3.7 Sonnet 创建一个基于智能推理的聊天机器人。 通过阅读这篇文章，你将了解到 Agentic RAR 和 Nano-GraphRAG 的概念，为什么 Agentic RAR 具有独特性，以及它的工作原理，我们如何应用 Agentic RAR 创建一个强大的推理聊天机器人 这正是 Agentic RAR 的应用场景。它在 RAG 模式的基础上，带来了一种动态和以推理为中心的问题处理方法。 Agentic RAR 的独特性 Agentic RAR 的独到之处在于它通过统一的 API 来标准化工具调用，使得集成新工具（例如化学方程求解器）变得非常简单。 工作原理 Agentic Reasoning 采用结构化的方法，结合多个外部 Agent 来提升大型语言模型（LLM）的推理能力。
32900编辑于 2025-04-15 - 来自专栏Elastic Stack专栏
拆解ES已死伪命题：Agentic RAG时代搜索引擎的终极形态
咱也犯不着在这没意义的事儿上浪费时间争论，咱直接聚焦到关键问题上：现在 Agentic RAG 都在重塑人机交互模式了，那下一代智能引擎的理想标准到底是啥样？ 而如果我们真正关注RAG的实际应用场景和业务痛点，那么Agentic RAG必然是RAG的发展趋势。传统RAG已无法满足用户期望，局限性显著。 因此，在Agentic RAG的架构中，我们需要的是像ES这样强大的集检索、计算与处理于一体的工具集引擎，而非简单的向量数据库。 因此，本文将分别从传统RAG和Agentic RAG两个场景探讨，为何ES仍是你最优先的选择之一。 现在ES适合于传统RAG吗？ 首先一个问题，现在ES适合于传统RAG吗？ 答案是肯定的。 Agentic RAG需要一个什么样的引擎？ 从上述分析不难看出，要突破传统 RAG 的局限，我们需要的是一个具备认知能力的智能引擎，而非简单的检索工具。
44811编辑于 2025-02-06 - 来自专栏tencent cloud
【Agentic RL专题】一、LLM agent 与 agentic RL
com相信初学的小伙伴会对 LLM agent以及 Agentic RL 两个名词有点混淆，因此，对于这两个名词的解释将作为专题第一章，带你深入理解 LLM agent 以及 Agentic RL的区别 @toc一、为什么我们需要 Agentic RL？ 在系统的学习agentic RL之前，我们需要去了解两个问题：① 什么是agent ② LLM agent 与 agentic RL之间有什么联系过去几年，LLM 的飞速发展让语言理解与生成达到了惊人的水平 而当这种强化学习与大型语言模型（LLM）结合——让语言模型从“说得对”变成“做得对”——就形成了一个新的研究分支： Agentic Reinforcement Learning (Agentic RL) ——出发，逐步理解了 Agentic RL（智能体强化学习） 的核心思想：从语言到行动：传统的 LLM 只会被动回答，而 Agentic RL 让它学会“感知—思考—行动—反思”，成为真正的智能体（Agent
79410编辑于 2025-11-07 从检索到推理：深度解析 Agentic RAG 时代的知识索引与语义权重重构
在生成式AI搜索（如DeepSeek、Perplexity、OpenAISearchGPT）的演进过程中，技术架构正在经历从“朴素RAG”（NaiveRAG）向“代理式RAG”（AgenticRAG）的范式转移 传统的RAG架构通常是线性的：用户提问->向量检索->提交LLM生成。这种模式在处理复杂问题时容易因检索结果单一而产生“幻觉”。相比之下，AgenticRAG引入了多Agent协作机制。 当文本描述与视频画面、图解参数相互呼应时，该信源在RAG重排阶段的权重会得到显著提升。 三、工程实践：星链引擎在Agentic时代的基建作用针对AgenticRAG对“高一致性”和“高密度”内容的需求，企业需要更底层的AI基础设施来完成知识的规模化投喂。 星链引擎（StarLinkEngine）作为深耕技术十年的AI基础设施构建者，其核心能力在于解决Agentic时代的内容规模化与权重一致性难题。
13410编辑于 2025-12-22- 来自专栏【腾讯云开发者】
RAG彻底爆了！一文读懂其架构演进及核心要点
同Adaptive Agentic RAG。 对比传统RAG, Agentic RAG将能力依托于智能体，提升了RAG系统的灵活性及扩展其应用边界。 Multi-Agent Agentic RAG 为Single-Agent Agentic RAG架构的演进版本，用多个专用代理来细化更复杂的工作流和不同的查询类型。 Hierarchical Agentic RAG 分层代理RAG，为Multi-Agent Agentic RAG架构的拓展，将整个系统分为多个层级的Agent，由顶级Agent驱动子Agent，并聚合子 /reference/routers-api 《What is Agentic RAG》 - https://weaviate.io/blog/what-is-agentic-rag 《AGENTIC
1.4K23编辑于 2025-07-16 - 来自专栏【腾讯云开发者】
RAG发展一篇文就入门！
关于 RAG 的技术流程，网上已经有非常多高质量的文章介绍，因此笔者想从 RAG 的技术发展角度来写这篇文章，从最基本的 RAG 到当前热门的 Graph RAG、Agentic RAG，介绍 RAG 02、RAG 的发展 从近年 RAG 的发展历程看，RAG 主要经历了 Naive RAG、Advanced RAG、Modular RAG、Graph RAG，以及最近热门的 Agentic RAG Agentic RAG 利用 Agent 能力，让 RAG 有了智能化的思考分析，大大增强了检索能力。 2.5 Agentic RAG 与前面的静态 RAG 不同，Agentic RAG 使用能够动态决策和工具调用的 LLM-based agent，来解决更加复杂、实时和多域的查询。 Agentic RAG 是这个方向的开始，未来更加智能的 RAG 才能成为 LLM 的“好搭档”。
91111编辑于 2025-04-04 - 来自专栏AI大模型应用开发炼丹房
多智能体系统全景：RAG在垂直领域的爆发式应用
本文将深入探讨RAG的技术演进、关键突破（如Agentic RAG和DeepSearch），以及未来向通用型智能体的发展趋势，为开发者提供实用洞见。 阶段三：从固定工作流到自主智能体（Agentic RAG）随着推理模型（如GPT-4、Claude）的崛起，RAG进化到Agentic范式，核心是模型自主决策：自主性体现： LLM通过深度思考 由于文章篇幅有限，关于RAG检索增强相关内容，我整理了一份更详细的技术文档，粉丝自行领取：《检索增强生成（RAG）》三、Agentic RAG的边界条件：知识边界 vs 能力边界智能体的自主性面临两大边界挑战 四、DeepSearch：Agentic RAG的落地实践DeepSearch（或DeepResearch）是Agentic RAG的典型应用，代表企业包括Jina AI、Google Gemini等。 作为开发者，拥抱Agentic RAG和DeepSearch范式，将大幅提升应用智能化水平——未来属于能“自主思考”的AI系统。
70410编辑于 2025-07-27 - 来自专栏云云众生s
Agentic AI是新的Web应用程序，您的AI策略必须发展
向量存储和检索增强生成（RAG）是维护数据治理控制的有效策略，可在数据所在的任何位置为agentic AI推理提供支持。 在这种方法中，敏感数据保存在受本地数据治理控制保护的向量存储中，AI代理根据需要使用RAG访问这些数据，而不是直接在敏感数据上训练模型。 向量存储和RAG可以在不将敏感数据暴露给第三方模型提供商的情况下，实现与上下文相关的洞察。无需重新训练整个模型即可补充向量存储的内容，从而降低了训练成本。 借助RAG和向量存储，Apache Kafka可以在边缘实现低延迟的agentic AI应用程序，同时保持本地治理。 唯一可行的方法是将无服务器推理与RAG和托管Kafka相结合，从而确保AI代理执行的任务能够准确、安全地执行，且没有明显的延迟。
20500编辑于 2025-03-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号