从传统 RAG 到 Agentic RAG

Source: Dev.to

⚠️ 本文在人工智能工具的帮助下编写。 我使用语言模型来组织思路、完善概念并加速写作，但对智能代理的愿景、经验和热情完全是我的 🤖💡。

什么是 Agentic RAG？

• 评估结果。
• 自行优化查询。
• 必要时调用额外工具。
• 迭代直至得到高质量答案。

这被称为 maker‑checker 循环：模型充当生成器、验证器和自身推理流程的规划者。

为什么要超越传统 RAG？

传统模式在复杂任务上存在局限，例如查询格式错误、自动生成的 SQL 出错或搜索未返回满意结果。此时 Agentic RAG 介入，它“拥有”自己的推理过程并作出如下决策：

• 我是否需要重新表述此搜索？
• 我应该使用 Azure AI Search 还是直接查询 SQL？
• 是否需要结合结构化和非结构化数据？

Agentic RAG 循环：循环、工具与上下文智能

该系统保持 状态和记忆，能够记住先前的结果，避免无意义的重复。如此便能对复杂问题实现渐进且动态的理解。

使用案例

• 监管或法律合规验证： 可以重新查询多个来源，直至得到可靠答案。
• 复杂 NL2SQL 查询： 重写格式错误的查询，并调整对 SQL 或 Microsoft Fabric 等结构化数据库的调用。
• 长期工作流： 在延长的会话中，系统会随新信息的发现而调整其行为。

治理、透明度与限制

• 可解释推理： 记录使用的工具、查询的来源以及作出的决策。
• 偏差控制： 在检索策略中加入过滤，并进行定期审计。
• 人工监督： 对高风险决策，系统必须能够将控制权交给人类。

像 Azure AI Tracing、GenAIOps 和 Content Safety 之类的工具可以观察并调试这些复杂的决策循环。

如何开始使用 Agentic RAG？

• Azure OpenAI 或 Azure AI Foundry 用于安全的 LLM 调用。
• Azure AI Search 或向量搜索用于混合检索。
• SQL Server/Azure SQL 用于结构化数据。
• 像 Semantic Kernel 或 AutoGen 这样的框架用于编排代理流程。
• 探索项目 ai-agents-for-beginners。

结论

这并非要取代人类，而是要放大其决策能力，提供更精细、经验证且符合用户真实意图的选项。未来不在于完美的提示词，而在于能够学习、纠错和协作的智能代理。

你准备好在你的解决方案中实现 Agentic RAG 吗？
💬 在评论中告诉我你是否已经在使用 RAG，或是否想看到 C#、Python 或 JavaScript 的实战代码示例。