企业官网建设流程全解析

做外贸网站用什么软件翻强的,wordpress 注册邮箱,seo培训学校,番禺网站建设怎么样本文详细对比了传统RAG与Agentic RAG两种检索增强生成技术。传统RAG采用简单线性架构#xff0c;响应快成本低但准确性有限#xff1b;Agentic RAG引入智能代理系统#xff0c;支持多步推理和动态检索#xff0c;提高准确性和可解释性但计算成本更高。简单场景推荐传统RAG响应快成本低但准确性有限Agentic RAG引入智能代理系统支持多步推理和动态检索提高准确性和可解释性但计算成本更高。简单场景推荐传统RAG复杂多步推理问题则适合Agentic RAG开发者可根据业务需求、性能要求和成本预算做出合理选择。概述RAG (Retrieval-Augmented Generation) 技术通过结合信息检索和文本生成来提升大语言模型的回答质量。随着技术发展从传统的静态RAG演进到了具备智能决策能力的Agentic RAG。传统RAG的执行逻辑Agentic RAG的执行逻辑核心区别对比1. 架构设计维度传统 RAGAgentic RAG架构复杂度简单线性流水线多层次智能代理系统组件构成检索器 生成器规划器 执行器 反思器 工具集决策机制预定义规则动态推理决策2. 工作流程对比传统 RAG 流程用户查询 → 向量检索 → 文档召回 → 上下文注入 → LLM生成 → 返回结果Agentic RAG 流程用户查询 → 任务分析 → 制定计划 → 动态工具选择 → 多轮信息收集 → 推理决策 → 答案合成 → 质量评估 → 返回结果详细技术特性对比3. 检索策略传统 RAG•静态检索固定的相似度阈值和召回数量•单轮检索一次性获取所有相关文档•被动适应无法根据查询复杂度调整策略Agentic RAG•动态检索根据查询类型智能调整参数•多轮检索迭代式信息收集•主动适应实时评估并调整检索策略4. 推理能力传统 RAG•直接映射检索到什么就基于什么回答•缺乏验证无法验证信息一致性•单一视角基于有限上下文生成答案Agentic RAG•多步推理能够进行复杂的逻辑推导•信息验证交叉验证多个信息源•多角度分析综合多个视角形成答案代码实现示例传统 RAG 实现from langchain.vectorstores import FAISSfrom langchain.embeddings import OpenAIEmbeddingsfrom langchain.llms import OpenAIfrom langchain.chains import RetrievalQAfrom langchain.document_loaders import TextLoaderfrom langchain.text_splitter import CharacterTextSplitterclass TraditionalRAG: def __init__(self, documents_path): self.embeddings OpenAIEmbeddings() self.llm OpenAI(temperature0) self.setup_vectorstore(documents_path) self.setup_qa_chain() def setup_vectorstore(self, documents_path): # 加载文档 loader TextLoader(documents_path) documents loader.load() # 文档分割 text_splitter CharacterTextSplitter(chunk_size1000, chunk_overlap0) texts text_splitter.split_documents(documents) # 创建向量库 self.vectorstore FAISS.from_documents(texts, self.embeddings) def setup_qa_chain(self): # 创建检索器固定参数 retriever self.vectorstore.as_retriever( search_kwargs{k: 5} # 固定检索5个文档 ) # 创建QA链 self.qa_chain RetrievalQA.from_chain_type( llmself.llm, chain_typestuff, retrieverretriever, return_source_documentsTrue ) def query(self, question): 简单的单轮查询 result self.qa_chain({query: question}) return { answer: result[result], sources: result[source_documents] }# 使用示例traditional_rag TraditionalRAG(documents.txt)response traditional_rag.query(什么是机器学习)print(response[answer])### Agentic RAG 实现import jsonfrom typing import List, Dict, Anyfrom langchain.agents import Tool, AgentExecutor, create_openai_functions_agentfrom langchain.memory import ConversationBufferMemoryfrom langchain.schema import BaseRetrieverfrom langchain.llms import OpenAIfrom langchain.prompts import ChatPromptTemplateimport loggingclass AgenticRAG: def __init__(self, vectorstores: Dict[str, Any]): self.llm OpenAI(temperature0.1) self.vectorstores vectorstores self.memory ConversationBufferMemory( memory_keychat_history, return_messagesTrue ) self.setup_tools() self.setup_agent() def setup_tools(self): 设置智能工具集 self.tools [ Tool( nameprecise_search, description用于精确搜索特定技术概念和定义, funcself._precise_search ), Tool( namebroad_search, description用于广泛搜索相关背景信息, funcself._broad_search ), Tool( namecross_reference, description交叉验证多个信息源的一致性, funcself._cross_reference ), Tool( namesummarize_findings, description总结和整合搜索结果, funcself._summarize_findings ), Tool( namefact_check, description验证信息的准确性, funcself._fact_check ) ] def _precise_search(self, query: str) - str: 精确搜索 try: # 动态调整检索参数 if len(query) 20: # 短查询用更高精度 k 3 score_threshold 0.8 else: # 长查询用更多候选 k 7 score_threshold 0.7 retriever self.vectorstores[technical].as_retriever( search_typesimilarity_score_threshold, search_kwargs{ k: k, score_threshold: score_threshold } ) docs retriever.get_relevant_documents(query) return self._format_search_results(docs, 精确搜索) except Exception as e: return f精确搜索失败: {str(e)} def _broad_search(self, query: str) - str: 广泛搜索 try: retriever self.vectorstores[general].as_retriever( search_kwargs{k: 10} # 获取更多相关文档 ) docs retriever.get_relevant_documents(query) return self._format_search_results(docs, 广泛搜索) except Exception as e: return f广泛搜索失败: {str(e)} def _cross_reference(self, topic: str) - str: 交叉验证信息 results [] for store_name, store in self.vectorstores.items(): try: retriever store.as_retriever(search_kwargs{k: 3}) docs retriever.get_relevant_documents(topic) results.append({ source: store_name, content: [doc.page_content[:200] for doc in docs] }) except Exception as e: logging.error(f交叉验证失败 {store_name}: {e}) return json.dumps(results, ensure_asciiFalse, indent2) def _summarize_findings(self, findings: str) - str: 整合搜索结果 prompt f 请整合以下搜索结果提供一个连贯的总结 {findings} 要求 1. 去除重复信息 2. 突出关键要点 3. 保持逻辑连贯性 4. 标注不确定的信息 try: response self.llm(prompt) return response except Exception as e: return f总结失败: {str(e)} def _fact_check(self, statement: str) - str: 事实验证 # 简化的事实检查逻辑 verification_sources [] for store_name, store in self.vectorstores.items(): try: retriever store.as_retriever(search_kwargs{k: 5}) docs retriever.get_relevant_documents(statement) # 检查文档中是否有支持或反驳的证据 for doc in docs: if any(keyword in doc.page_content.lower() for keyword in statement.lower().split()): verification_sources.append({ source: store_name, evidence: doc.page_content[:300], relevance: 支持 if statement.lower() in doc.page_content.lower() else 相关 }) except Exception as e: logging.error(f事实检查失败 {store_name}: {e}) return json.dumps(verification_sources, ensure_asciiFalse, indent2) def _format_search_results(self, docs: List, search_type: str) - str: 格式化搜索结果 if not docs: return f{search_type}未找到相关文档 results [] for i, doc in enumerate(docs): results.append({ rank: i 1, content: doc.page_content[:500], metadata: getattr(doc, metadata, {}) }) return json.dumps({ search_type: search_type, total_results: len(results), documents: results }, ensure_asciiFalse, indent2) def setup_agent(self): 设置智能代理 # 定义代理的系统提示 system_prompt 你是一个智能的RAG代理具备以下能力 1. **任务分析**: 分析用户查询的复杂度和类型 2. **策略规划**: 根据查询特点制定最优的信息检索策略 3. **工具使用**: 灵活选择和组合使用各种搜索工具 4. **质量控制**: 验证信息准确性并评估答案完整性 5. **迭代优化**: 根据中间结果动态调整策略 工作流程 1. 首先分析查询类型事实性、概念性、比较性等 2. 选择合适的搜索策略精确/广泛/交叉验证 3. 执行搜索并评估结果质量 4. 如果需要进行补充搜索或验证 5. 整合所有信息形成最终答案 6. 进行质量检查和准确性验证 请始终保持客观、准确、有条理的回答风格。 prompt ChatPromptTemplate.from_messages([ (system, system_prompt), (user, {input}), (assistant, 我来帮你分析这个问题并制定搜索策略。), (human, {agent_scratchpad}) ]) # 创建代理 agent create_openai_functions_agent( llmself.llm, toolsself.tools, promptprompt ) self.agent_executor AgentExecutor( agentagent, toolsself.tools, memoryself.memory, verboseTrue, max_iterations5, # 限制最大迭代次数 handle_parsing_errorsTrue ) def query(self, question: str) - Dict[str, Any]: 智能查询处理 try: # 执行智能代理 result self.agent_executor.invoke({input: question}) return { answer: result[output], reasoning_steps: self._extract_reasoning_steps(), sources_used: self._extract_sources(), confidence_score: self._calculate_confidence() } except Exception as e: logging.error(f查询处理失败: {e}) return { answer: 抱歉处理您的查询时出现了错误。, error: str(e) } def _extract_reasoning_steps(self) - List[str]: 提取推理步骤 # 从内存中提取推理过程 messages self.memory.chat_memory.messages steps [] for msg in messages[-10:]: # 获取最近的消息 if hasattr(msg, content) and Tool in str(msg.content): steps.append(str(msg.content)[:200]) return steps def _extract_sources(self) - List[str]: 提取信息源 # 简化实现从工具调用中提取源信息 return [技术文档库, 通用知识库, 交叉验证结果] def _calculate_confidence(self) - float: 计算答案可信度 # 简化的可信度计算 base_confidence 0.7 # 根据使用的工具数量调整 tools_used len(self._extract_reasoning_steps()) confidence_bonus min(tools_used * 0.1, 0.3) return min(base_confidence confidence_bonus, 1.0)# 使用示例def create_agentic_rag_system(): # 假设已经有多个向量库 vectorstores { technical: technical_vectorstore, # 技术文档向量库 general: general_vectorstore, # 通用知识向量库 specialized: specialized_vectorstore # 专业领域向量库 } agentic_rag AgenticRAG(vectorstores) # 复杂查询示例 complex_query 请详细解释机器学习中的过拟合问题包括 1. 产生原因 2. 识别方法 3. 解决策略 4. 与深度学习的关系 result agentic_rag.query(complex_query) print( Agentic RAG 回答 ) print(f答案: {result[answer]}) print(f\n推理步骤: {result[reasoning_steps]}) print(f信息源: {result[sources_used]}) print(f可信度: {result[confidence_score]:.2f})# 运行示例# create_agentic_rag_system()性能与适用性对比5. 性能特征指标传统 RAGAgentic RAG响应速度快单轮检索较慢多轮推理准确性中等高多重验证成本低高多次API调用可解释性低高推理过程透明6. 适用场景传统 RAG 适用于• ✅ 简单的事实查询• ✅ 对响应速度要求高的场景• ✅ 成本敏感的应用• ✅ 文档内容相对静态Agentic RAG 适用于• ✅ 复杂的多步推理问题• ✅ 需要高准确性的关键应用• ✅ 要求可解释性的专业领域• ✅ 动态、多样化的知识源总结Agentic RAG代表了RAG技术的重要进步通过引入智能代理的概念大大提升了系统的推理能力和灵活性。虽然在计算成本和复杂性方面有所增加但在准确性、可解释性和处理复杂查询方面具有显著优势。关键优势智能决策能够根据查询类型动态选择最优策略多步推理支持复杂的逻辑推导和信息整合质量保证通过多重验证确保答案准确性透明可解释提供完整的推理过程和决策依据技术选择建议•简单应用→ 传统 RAG成本低、速度快•专业应用→ Agentic RAG准确性高、可解释性强•混合场景→ 分层架构根据查询复杂度动态选择选择哪种方案需要根据具体的业务需求、性能要求和成本预算来决定。对于大多数简单应用传统RAG已经足够而对于需要高质量、可信赖答案的专业应用Agentic RAG则是更好的选择。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】