Agentic RAG系列：3、Agentic RAG流程和最佳实践-完整落地实践

原创 于 2025-08-15 07:45:00 发布 · 241 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #langchain #Multi-Agent #LangGraph #Dify #Agent #Agentic RAG

1. Agentic RAG 原理

Agentic RAG（Agent-based Retrieval-Augmented Generation）是指在传统的 RAG（Retrieval-Augmented Generation）框架中引入了 Agent（智能体）作为核心组件的变体。在标准的 RAG 系统中，主要是通过检索相关文档或信息来增强生成模型的能力，而 Agentic RAG 则通过集成一个智能体，帮助系统在搜索和生成过程中进行更智能的决策和交互。

在这里插入图片描述

具体来说：它将 AI 代理合并到 RAG 管道中，以编排其组件并执行简单信息检索和生成之外的其他操作，以克服非代理管道的限制。代理 RAG 最常见的是指在检索组件中使用代理。通过使用可访问不同检索器工具的检索代理而变得代理，例如：

  • 矢量搜索引擎（也称为查询引擎），通过矢量索引执行矢量搜索（如典型的 RAG 管道）
  • Web search 网页搜索
  • 任何以编程方式访问软件的 API，例如电子邮件或聊天程序

这里我们用 Agentic RAG 去整合 Web 搜索和传统的 RAG。首先 构建传统 RAG 的Agent节点:

from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.schema.output_parser import StrOutputParser
from langchain.tools import tool


llm = ChatOpenAI(model_name="gpt-4o-mini", temperature=0.1)

@tool
def vec_kg(question:str):

    """
    个人知识库，存储AI Agent项目概念的解读
    """

    prompt = PromptTemplate(
        template="""你是一名问答任务的助手。
        请使用以下检索到的上下文来回答问题。如果你不知道答案，就直接说你不知道。
        最多使用5句话，并保持答案简洁：
        Question: {question} 
        Context: {context} 
        Answer: 
        """,
        input_variables=["question", "document"],
    )


    # 构建传统的RAG Chain
    rag_chain = prompt | llm | StrOutputParser()
    
    
    # 构建检索器
    retriever = vectorstore.as_retriever(search_kwargs={"k": 1})
    
    # 执行检索
    docs = retriever.invoke("question")
    generation = rag_chain.invoke({"context": docs, "question": question})
    
    return generation

tools = [fetch_real_time_info, vec_kg]

model = llm.bind_tools(tools)

tools

[StructuredTool(name='fetch_real_time_info', description='Get real-time Internet information', args_schema=<class '__main__.SearchQuery'>, func=<function fetch_real_time_info at 0x15cb50ae0>),
 StructuredTool(name='vec_kg', description='个人知识库，存储AI Agent项目概念的解读', args_schema=<class 'langchain_core.utils.pydantic.vec_kg'>, func=<function vec_kg at 0x15d79df80>)]

import json
from langchain_core.messages import ToolMessage, SystemMessage, HumanMessage
from langchain_core.runnables import RunnableConfig

tools_by_name = {tool.name: tool for tool in tools}


# 定义工具节点
def tool_node(state: AgentState):
    outputs = []
    for tool_call in state["messages"][-1].tool_calls:
        tool_result = tools_by_name[tool_call["name"]].invoke(tool_call["args"])
        outputs.append(
            ToolMessage(
                content=json.dumps(tool_result),
                name=tool_call["name"],
                tool_call_id=tool_call["id"],
            )
        )
    return {"messages": outputs}


# 定义问答模型
def call_model(
    state: AgentState,
):
    system_prompt = SystemMessage(
        "您是一位乐于助人的AI助手，请尽力回复用户的查询！"
    )
    response = model.invoke([system_prompt] + state["messages"])
    return {"messages": [response]}


# 定义路由节点
def should_continue(state: AgentState):
    messages = state["messages"]
    last_message = messages[-1]

    if not last_message.tool_calls:
        return "end"
  
    else:
        return "continue"

from langgraph.graph import StateGraph, END

# 定义一个图结构
workflow = StateGraph(AgentState)

# 在图结构中添加节点
workflow.add_node("agent", call_model)
workflow.add_node("tools", tool_node)

# 设置启动点是 agent
workflow.set_entry_point("agent")

# 添加路由边
workflow.add_conditional_edges(
    "agent",
    should_continue,
    {
        "continue": "tools",
        "end": END,
    },
)

# 添加返回边
workflow.add_edge("tools", "agent")

# 编译图
graph = workflow.compile()

from IPython.display import Image, display

display(Image(graph.get_graph().draw_mermaid_png()))

在这里插入图片描述

# 定义问答的流
def print_stream(stream):
    for s in stream:
        message = s["messages"][-1]
        if isinstance(message, tuple):
            print(message)
        else:
            message.pretty_print()

inputs = {"messages": [("user", "OpenAI 最近在互联网上有什么新闻？注意，请使用中文回复。")]}
print_stream(graph.stream(inputs, stream_mode="values"))

================================[1m Human Message [0m=================================

OpenAI 最近在互联网上有什么新闻？注意，请使用中文回复。
==================================[1m Ai Message [0m==================================
Tool Calls:
  fetch_real_time_info (call_10hLZlqE6FQ66C7o9p0BfgDn)
 Call ID: call_10hLZlqE6FQ66C7o9p0BfgDn
  Args:
    query: OpenAI 新闻
=================================[1m Tool Message [0m=================================
Name: fetch_real_time_info

"[{\"title\": \"OpenAI News\", \"link\": \"https://openai.com/news/\", \"snippet\": \"Introducing OpenAI o3 and o4-mini, Release Apr 16, 2025, API GPT-4.1, Art 16.9, Introducing GPT-4.1 in the API, Product Apr 14, 2025.\", \"sitelinks\": [{\"title\": \"Company\", \"link\": \"https://openai.com/news/company-announcements/\"}, {\"title\": \"Research\", \"link\": \"https://openai.com/news/research/\"}], \"position\": 1}]"
==================================[1m Ai Message [0m==================================

最近，OpenAI 发布了一些新消息，包括推出 OpenAI o3 和 o4-mini，以及在 API 中引入 GPT-4.1。具体信息可以访问 [OpenAI 新闻页面](https://openai.com/news/)。如果你对公司的公告或研究感兴趣，可以查看以下链接：

- [公司公告](https://openai.com/news/company-announcements/)
- [研究动态](https://openai.com/news/research/)

inputs = {"messages": [("user", "请检索我的知识库并总结一下什么是 百小灵， 注意，请使用中文回复。")]}
print_stream(graph.stream(inputs, stream_mode="values"))

================================[1m Human Message [0m=================================

请检索我的知识库并总结一下什么是 百小灵， 注意，请使用中文回复。
==================================[1m Ai Message [0m==================================
Tool Calls:
  vec_kg (call_H0qK1LrDo00h1uvM1tWw2Lx7)
 Call ID: call_H0qK1LrDo00h1uvM1tWw2Lx7
  Args:
    question: 百小灵
=================================[1m Tool Message [0m=================================
Name: vec_kg

"\u767e\u5c0f\u7075\u662f\u4e00\u4e2aAI\u52a9\u624b\uff0c\u80fd\u591f\u56de\u7b54\u7528\u6237\u7684\u5404\u79cd\u95ee\u9898\u3002\u5b83\u53ef\u4ee5\u5904\u7406\u8bed\u97f3\u3001\u56fe\u7247\u548c\u9644\u4ef6\u63d0\u95ee\uff0c\u5e76\u81f4\u529b\u4e8e\u4fdd\u62a4\u7528\u6237\u9690\u79c1\u3002\u8be5\u52a9\u624b\u7684\u5177\u4f53\u7814\u53d1\u516c\u53f8\u548c\u4e0a\u7ebf\u65f6\u95f4\u5728\u63d0\u4f9b\u7684\u4e0a\u4e0b\u6587\u4e2d\u6ca1\u6709\u660e\u786e\u8bf4\u660e\u3002"
==================================[1m Ai Message [0m==================================

百小灵是一个AI助手，能够回答用户的各种问题。它可以处理语音、图片和附件提问，并致力于保护用户隐私。该助手的具体研发公司和上线时间在提供的资料中并没有明确说明。

当然，也会存在一些问题，比如：推理模型仅做步骤拆解，但不会触发访问web检索或者RAG的操作，如下所示：

inputs = {"messages": [("user", "请检索我的知识库，并实时联网检索，结合两部分的信息帮我总结：什么是 百小灵。注意：请使用中文回答我")]}
print_stream(graph.stream(inputs, stream_mode="values"))

================================[1m Human Message [0m=================================

请检索我的知识库，并实时联网检索，结合两部分的信息帮我总结：什么是 百小灵。注意：请使用中文回答我
==================================[1m Ai Message [0m==================================
Tool Calls:
  vec_kg (call_opPVIwKbLmBC4iZqPe9fof1T)
 Call ID: call_opPVIwKbLmBC4iZqPe9fof1T
  Args:
    question: 什么是百小灵
  fetch_real_time_info (call_YWFEHv2giZ2XSfwCznTpPIl4)
 Call ID: call_YWFEHv2giZ2XSfwCznTpPIl4
  Args:
    query: 百小灵
=================================[1m Tool Message [0m=================================
Name: fetch_real_time_info

"[{\"title\": \"https://ying.baichuan-ai.com/chat?from=home\", \"link\": \"https://ying.baichuan-ai.com/chat?from=home\", \"snippet\": \"No information is available for this page. \u00b7 Learn why\", \"position\": 1}, {\"title\": \"\u767e\u53d8\u5c0f\u7075  \u7684\u4e3b\u9875- \u6296\u97f3\", \"link\": \"https://www.douyin.com/user/MS4wLjABAAAAJ4B8d_pkbJ1HdnI669kwWAKMuissXDqa5RZMsu1U2hH2e1Ygs_TstyzTu6BeC-nq\", \"snippet\": \"\u767e\u53d8\u5c0f\u7075 \uff1a\u662f\u591a\u53d8\u7684\u5c0f\u7075 \u4fdd\u6301\u5bf9\u751f\u6d3b\u7684\u7231\u548c\u70ed\u6795\u628a\u6bcf\u4e00\u5929\u6d3b\u7684\u70ed\u6c14\u817e\u817e\uff01 \u7b49\u4e00\u675f\u5149\u7167\u4eae\u6211\u7684\u4e16\u754c\uff01\u3002\u767e\u53d8\u5c0f\u7075 \u5165\u9a7b\u6296\u97f3\uff0cTA\u7684\u6296\u97f3\u53f7\u662fXling1688\uff0c\u5df2\u67091000\u4e2a\u7c89\u4e1d\uff0c\u6536\u83b7\u4e867279\u4e2a ...\", \"position\": 2}, {\"title\": \"\u53e4\u5c0f\u7075_\u767e\u5ea6\u767e\u79d1\", \"link\": \"https://baike.baidu.hk/item/%E5%8F%A4%E5%B0%8F%E9%9D%88/19910830\", \"snippet\": \"\u53e4\u5c0f\u7075\uff0c\u5973\uff0c\u5c0f\u8bf4\u300a\u60ca\u609a\u4e50\u56ed\u300b[1] \u4e2d\u7684\u4eba\u7269\u3002\u5728\u6e38\u620f\u4e2d\u7684\u6635\u79f0\u4e3a\u60b2\u7075\u7b11\u9aa8\uff0c\u793e\u56e2\u201c\u5730\u72f1\u524d\u7ebf\u201d\u56e2\u5458\u3002\u7237\u7237\u662f\u53e4\u5c18\uff08\u732b\u7237\uff09\uff0c\u7236\u4eb2\u662f\u53e4\u51ca\uff0c\u6bcd\u4eb2\u662f\u5361\u95e8.\u83ab\u83b1\u8bfa\uff0c\u81ea\u79f0\u201c\u8d85\u7ea7\u7f8e\u5c11\u5973\u201d\uff0c\u5e73\u65e5\u91cc\u53e4 ...\", \"position\": 3}]"
==================================[1m Ai Message [0m==================================

百小灵是一种人工智能助手，能够回答用户的各种问题。它可以处理语音、图片和附件提问，并致力于保护用户隐私。百小灵的功能包括提供营销文案和社交媒体内容的建议。

根据实时信息，百小灵似乎与一个名为“百变小灵”的项目有关，后者是一个多变的智能助手，旨在为用户提供生活中的各种帮助和建议。

总结来说，百小灵是一个智能助手，旨在通过多种方式（如语音和图像）与用户互动，提供信息和建议，同时注重用户隐私保护。

或者产生幻觉，直接说自己无法访问知识库。如下所示：

inputs = {"messages": [("user", "请检索我的知识库，帮我总结一下什么是 百小灵， 注意，请使用中文回复。")]}
print_stream(graph.stream(inputs, stream_mode="values"))

================================[1m Human Message [0m=================================

请检索我的知识库，帮我总结一下什么是 百小灵， 注意，请使用中文回复。
==================================[1m Ai Message [0m==================================
Tool Calls:
  vec_kg (call_9qkzgUSQVzbrODsygE1u38M5)
 Call ID: call_9qkzgUSQVzbrODsygE1u38M5
  Args:
    question: 百小灵
=================================[1m Tool Message [0m=================================
Name: vec_kg

"\u767e\u5c0f\u7075\u662f\u4e00\u79cd\u4eba\u5de5\u667a\u80fd\u52a9\u624b\uff0c\u80fd\u591f\u56de\u7b54\u7528\u6237\u7684\u5404\u79cd\u95ee\u9898\u3002\u5b83\u53ef\u4ee5\u5904\u7406\u8bed\u97f3\u3001\u56fe\u7247\u548c\u9644\u4ef6\u63d0\u95ee\uff0c\u5e76\u4e14\u4f1a\u4fdd\u62a4\u7528\u6237\u9690\u79c1\u3002\u8be5\u52a9\u624b\u7684\u5177\u4f53\u7814\u53d1\u516c\u53f8\u548c\u4e0a\u7ebf\u65f6\u95f4\u5728\u63d0\u4f9b\u7684\u4e0a\u4e0b\u6587\u4e2d\u6ca1\u6709\u660e\u786e\u8bf4\u660e\u3002"
==================================[1m Ai Message [0m==================================

百小灵是一种人工智能助手，能够回答用户的各种问题。它可以处理语音、图片和附件提问，并且会保护用户的隐私。该助手的具体研发公司和上线时间在提供的资料中并没有明确说明。

以上存在的问题使我们在做AI Agent 开发过程中基本都会遇到的情况，同时也是根据实际业务做特定优化的主要工作。

【agent实战】基于 LangGraph 实现 Agentic RAG：原理、实战与创新全解
kakaZhui的博客
07-17 247
LangGraph是 LangChain 团队推出的开源框架，专注于用“有向图”方式构建复杂的 LLM 应用流程。它支持节点（Node）、边（Edge）、条件分支、循环等流程控制，极大提升了 LLM 应用的可组合性、可扩展性和可维护性。是当前 LLM 应用的主流范式，通过“检索+生成”结合，显著提升了大模型的事实性和可控性。传统 RAG 仅支持单轮检索和生成，难以处理复杂推理、多步决策等需求。
探索智能代理增强检索生成（Agentic RAG）：从基础到实践
m0_65555479的博客
05-08 695
至少定义一个检索工具包装向量存储调用。# 定义查询向量存储函数"""在向量数据库中搜索相关文档，并返回结果的连接字符串。"""# 组合检索到的文档的内容（可能带有元数据或片段格式）# 创建检索工具description="从知识库中检索相关文档。# （可选）定义网络搜索工具（模拟）# 实际网络搜索API调用占位符# 实践中使用SerpAPI或Bing API等description="在网络上搜索最新信息。
Agentic RAG系列：1、Agentic RAG架构和原理-LangChain方式实现RAG问答
08-13 1015
这样的融合不仅最大化发挥了大语言模型在内容生成方面的优势，还利用引入的上下文对其输出进行了有效约束，显著提升了响应的相关性与可信度。更进一步地，这种方式也实现了将私有数据嵌入大模型应用的目标——在不直接修改模型参数的前提下，使模型能够“理解并利用”企业内部或专属的知识数据，从而实现公私数据结合、语义生成与知识调用并重的双赢效果。它的核心机制是将外部信息检索与大模型的生成能力结合起来：先通过检索模块从海量文档中提取出与问题高度相关的文本片段，再由大语言模型对这些片段进行理解、整合，并生成最终的回答。
Agentic RAG登场：RAG技术的进化之路
2401_85375151的博客
01-13 1041
检索增强型生成（RAG）是一种构建LLM驱动应用的技术。它利用外部知识源为LLM提供相关上下文，减少幻觉现象。一个简单的RAG流程包括一个检索组件（通常由一个嵌入模型和一个向量数据库组成）和一个生成组件（一个LLM）。在推理时，用户查询用于在索引文档上运行相似性搜索，检索与查询最相似的文档，并为LLM提供额外的上下文。典型的RAG应用有。
Agentic RAG: 构建自主决策型检索增强系统
FrenzyTechAI的博客
11-27 1158
在人工智能技术的发展历程中，Agentic RAG的出现标志着一个重要的里程碑。这一创新技术不仅仅是对传统RAG系统的升级，更代表着AI应用模式的根本性变革。通过引入多Agent协作机制，Agentic RAG从本质上重构了AI系统的信息处理方式，使其能够更贴近人类的决策思维模式。在实际应用中，Agentic RAG展现出了多维度的突破性优势。在知识管理层面，它突破了传统系统的局限，实现了知识的智能协同；在服务交互方面，将被动响应转变为主动理解；在专业技术领域，实现了知识的智能调用；
Multi-Agentic RAG：探索智能问答系统的新边界（含代码）
llm_way的博客
01-07 1359
​ Multi-Agentic RAG系统是一种强大的智能问答框架，它通过结合多代理系统和检索增强生成技术，为处理复杂问题提供了新的解决方案。
深度解析多文档场景下的 Agentic RAG 架构：从原理到实现
佑瞻的博客
04-13 1572
从单一文档到多文档，从简单问答到复杂知识处理，Agentic RAG 架构带来的是一种 “分层智能” 的设计思路：让底层 Agent 专注垂直领域，顶层 Agent 负责全局调度，再通过检索机制破解 “选择困难”。这种模式不仅适用于学术文档分析，在企业知识库管理、多模态数据处理等场景也有广阔应用空间。如果你正在构建需要处理大量文档的智能应用，不妨试试这种架构 —— 让 Agent 成为你的 “知识管家”，把繁琐的文档处理交给系统，专注挖掘知识背后的价值。
从Naive RAG到Agentic RAG：基于Milvus构建Agentic RAG
ZILLIZ
10-12 1030
检索增强生成（Retrieval-Augmented Generation, RAG）作为应用大模型落地的方案之一，通过让 LLM 获取上下文最新数据来解决 LLM 的局限性。典型的应用案例是基于公司特定的文档和知识库开发的聊天机器人，为公司内部人员快速检索内部文档提供便利。另外，也适用于特定领域的GenAI应用，如医疗保健、金融和法律服务。尽管Naive RAG在处理简单问题时表现良好，但在面对...
解锁Agentic RAG，使用LangChain和OpenAI进行实践
python1234_的博客
01-08 1062
Agentic RAG是由智能体驱动的技术，能够灵活处理多文档问答任务。这项技术不仅能比较文档、总结内容，还能对多个摘要进行对比分析。正因如此，我们不完全依赖于大型语言模型，而是通过智能体来承担那些需要深思熟虑、逻辑推理、工具运用以及持续学习的任务。Agentic RAG通过智能化手段，提高了解决复杂问题的能力，让问答更加高效和精确。
什么是 Agentic RAG，一文读懂 Agentic RAG 数据检索范式
qkh1234567的博客
11-08 4422
检索增强生成 (RAG)是一种构建 LLM 驱动应用程序的技术。它利用外部知识源为 LLM 提供相关背景并减少幻觉。一个简单的 RAG 管道由一个检索组件（通常由一个嵌入模型和一个向量数据库组成）和一个生成组件（LLM）组成。在推理时，用户查询用于对索引文档运行相似性搜索，以检索与查询最相似的文档并为 LLM 提供额外的上下文。
03 - Agentic RAG 构建之路 - 李捷 武汉 20250329
03-31
内容概要：本文详细介绍了Elasticsearch（ES）作为构建Agentic RAG（检索增强生成）系统的理想引擎的原因。...其他说明：文章不仅深入剖析了技术细节，还提供了实际操作指南和最佳实践建议，帮助读者更好地理解和应用
03-Elastic - Agentic RAG 构建之路 李捷 深圳 20250727
07-30
最后，文章通过案例研究，如微信读书的智能阅读实践和敦煌数字藏经阁的RAG问答实践，展示了Elastic-Agentic RAG的实际应用效果，如提高客户和员工满意度、降低风险和总拥有成本等。 适合人群：对企业级AI应用感兴趣...
【15】Transformers快速入门：添加自定义 Token
叫好与叫座虽然不是对立面，但想在同一个作品中达到双重效果很难。
08-13 1071
预训练模型的词表是固定的。它不认识你自定义的特殊标记（如实体标记、领域术语、新表情符号等）。掌握如何向预训练模型的分词器和词表中添加新的 Token（包括普通 Token 和特殊 Token），理解其对模型的影响，并学会正确调整模型权重。新 Token 的 ID（30523, 30524）在模型的 Embedding 矩阵里。想象一下，你给模型一个任务：“找出文本里的汽车和隧道实体”。增加了词表大小（比如从 30522 增加到 30524），模型的 Embedding 矩阵（这里标记了一个实体！
【论文阅读】基于表面肌电信号的下肢多关节运动估计：一种深度卷积神经网络方法
最新发布
qq_60423839的博客
08-14 373
本文提出一种基于多通道表面肌电信号(sEMG)和深度卷积神经网络(CNN)的下肢多关节运动估计方法。研究采集了骑行和步行任务中的7通道sEMG信号，通过带通滤波、全波整流等预处理后构建CNN模型，用于估计髋、膝、踝关节角度。实验结果表明，所提CNN模型在骑行任务中三个关节的估计均方根误差分别为3.8886°、2.8199°和3.1148°，精度显著优于传统BPNN和RBFNN模型。该研究为下肢康复外骨骼的人机交互控制提供了理论基础，未来将探索sEMG时频特征对模型的影响及非理想环境下的意图识别问题。
敏感数据目录是什么？如何快速构建企业自身的敏感数据目录
yuandiansec的博客
08-13 1020
敏感数据目录能力是数据安全的起点
从静态模型到数字生命体：自进化AI Agent综述
zenRRan的博客
08-13 793
部署后无法适应动态环境（如用户需求变化、新工具出现）。例如，医疗诊断智能体遇到新疾病时需工程师手动调整，效率低下。近年大型语言模型（LLM）的突破催生了AI智能体的发展，它们能自主规划、使用工具解决复杂任务（如编程、科研）。：树状思维（Tree-of-Thought）探索多推理路径，避免单一错误。：将自然语言反馈视为“梯度”，反向优化提示（如TextGrad框架）。：将提示视为基因，通过突变、交叉筛选最优解（如EvoPrompt）。：AI智能体不仅是工具，更是能持续学习、适应、协作的“数字生命体”。
CVPR 2025 | 即插即用，极简数据蒸馏，速度up20倍，GPU占用仅2G
AImokuai的博客
08-11 1799
本文提出了一种创新的神经特征函数匹配（NCFM）方法用于高效数据集蒸馏。该方法通过构建minmax对抗优化框架，引入神经特征函数差异（NCFD）作为新的分布度量指标，在复数空间实现数据特征的对齐。NCFM具有三大创新点：1）基于复数相位和振幅解耦的神经特征函数度量；2）动态采样网络实现高效计算；3）层级式特征对齐机制。实验表明，在CIFAR-100等数据集上，NCFM相比现有方法内存消耗降低300倍，处理速度提升20倍，同时保持无损压缩效果，为低资源环境下的模型训练提供了新范式。该方法在边缘计算、隐私保护数
【Python】文本相似度计算方法全解析：从理论到实践
采菊东篱下，Python满乾坤！
08-12 1743
在自然语言处理、信息检索和数据清洗等领域，计算文本相似度是一个基础而重要的任务。无论是检测重复文档、拼写纠错，还是推荐系统，都需要准确地衡量两个文本之间的相似程度。本文将深入解析多种文本相似度计算方法，帮助您选择最适合的算法。文本相似度是指两个文本在内容、结构或语义上的相近程度。通常用0到1之间的数值表示，0表示完全不同，1表示完全相同。文本长度: 短文本适合 Dice 系数，长文本适合余弦相似度计算性能: 汉明距离最快，Levenshtein 较慢但精确应用场景。
直播预告｜鸿蒙生态中的AI新玩法
GitCode
08-13 739
将分享如何利用AI技术为鸿蒙生态注入新活力，打造更智能的产品体验。从理论到实践，深入解析智能体的核心逻辑及其在鸿蒙生态中的应用场景。无论你是初学者还是资深开发者，这场直播都能为你带来启发与收获！手把手教你如何基于鸿蒙系统，快速搭建属于自己的智能体项目！高级开发者必备的实战经验与优化策略，助你突破技术瓶颈。想知道鸿蒙生态里 AI 能玩出啥新花样？鸿蒙生态中的 AI 新玩法-CSDN直播。对智能硬件与生态开发感兴趣的极客。黄紫妍 | HarmonyOS。AI赋能鸿蒙产品开发。
agentic rag github
06-14
### 关于 Agentic RAG 的 GitHub 项目资源 Agentic Retrieval-Augmented Generation (Agentic RAG) 是一种结合了自主智能体与检索增强生成的技术，旨在解决传统 RAG 系统的局限性，并在动态决策、迭代推理和协作工作流方面表现出显著优势[^2]。以下是一些可能与 Agentic RAG 相关的 GitHub 项目或资源： 1. **官方调研论文关联的 GitHub 仓库** 根据引用内容，Aditi Singh 等人在其论文中提供了 Agentic RAG 的详细算法实现和讨论[^2]。可以访问以下 GitHub 仓库以获取相关代码和资源： ```plaintext https://github.com/asinghcsu/AgenticRAG-Survey ``` 2. **CodeRAG 的实现与扩展** CodeRAG 是一种基于智能 RAG 的代码生成工具，在 DevEval 数据集上的表现非常出色[^1]。虽然 CodeRAG 并未明确提及 Agentic RAG，但其智能 RAG 类型可能与 Agentic RAG 的某些特性有所重叠。可以参考以下仓库以了解类似的实现： ```plaintext https://github.com/example/coderag # 示例链接，请根据实际需求搜索 ``` 3. **通用 RAG 实现与扩展** 由于 Agentic RAG 是 RAG 技术的一种高级形式，因此可以参考一些通用的 RAG 实现项目，并尝试从中寻找 Agentic RAG 的灵感或扩展： ```plaintext https://github.com/facebookresearch/rag ``` 4. **自主智能体与 RAG 结合的研究** 如果需要更深入地研究自主智能体与 RAG 的结合方式，可以参考以下 GitHub 项目： ```plaintext https://github.com/deepmind/agent-based-ml ``` 5. **社区贡献与第三方实现** GitHub 上可能存在由社区开发者贡献的 Agentic RAG 实现或相关资源。可以通过以下关键词进行搜索： - `Agentic RAG` - `Retrieval-Augmented Generation with Agents` - `Agent-based RAG` 以下是示例搜索代码块： ```python import webbrowser # 打开 GitHub 搜索页面 search_url = "https://github.com/search?q=Agentic+RAG" webbrowser.open(search_url) ``` ### 注意事项 在查找相关资源时，需注意项目的更新频率、文档完整性以及是否提供详细的实现说明。此外，部分项目可能仍处于实验阶段，建议结合具体需求进行评估。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值