1、大模型的痛点
大模型技术席卷全球，为日常工作和生活带来便利，但也面临时效性、准确性等问题。如何提升大模型的性能？解决其挑战？构建高级应用？成为重要待解决问题。
RAG（检索增强生成） 技术通过信息检索和文本生成，显著提升了大模型的性能。但 RAG 也存在局限性，比如：数据依赖、检索效率等。如何解决这些痛点？如何进一步提升 RAG 性能？是本文剖析的重点。
2、RAG 的痛点
Naive RAG 通过检索和生成，提升大模型在问答、智能助手等任务上的性能。但 Naive RAG 难以处理复杂问题或大型文档集，举例如下：
简单问题 ："特斯拉的主要风险因素是什么？" 和 "作者在 YC 期间做了什么？" 等问题，Naive RAG 可以给出准确答案。
复杂问题 ："总结 XXX 公司年度报告"、"比较开发者 A 和 B 贡献" 或 "分析滴滴公司风险" 等问题，Naive RAG 可能无法提供满意结果。
针对复杂问题，我们需要探索更高级 RAG 解决方案。
3、From RAG to Agent
Naive RAG（基于检索的增强生成）应用主要是在整合自身知识库的基础上，提升大型模型的性能，以产出更精准、即时和丰富的行业内容或定制化信息。然而，这种应用仍限于内容生成的领域。若要人工智能像一位“目标导向”的高效工作者一样，自主选择多种工具，与不同系统互动合作，直至完成最终任务，那么我们就需要从 RAG 升级至 Agent 模式。
以下是 RAG 向 Agent 转变的描述：
从 RAG 到 Agent 的演进，并非完全摒弃 RAG，而是在其基础上拓展以下几层功能：
通过这些功能的增强，Agent 不仅能应对复杂任务，还能在多变的环境中灵活应对。与 RAG 相比，Agent更专注于完成特定任务，并更注重与现有系统的融合。它不仅理解语言，还能在现实世界或数字系统中采取行动。Agent 不仅能执行复杂的多步骤任务，比如；信息检索、数据处理，还能无缝接入各种系统和 API 接口，访问用户数据，与数据库互动。
人类之所以独特，很大程度上是因为我们会使用工具。同样，作为智能体的Agent 也能借助外部工具，处理更为复杂的任务。比如：Agent 能够利用图表生成工具制作在线图表，使用天气查询工具获取天气信息。因此，Agent 是真正释放大模型潜能的关键。
因此，我们的大模型应用也将从 RAG 迈向 Agent，可以说，Agent 是 RAG 发展的必然归宿。
4、案例剖析
最近，阿里巴巴千问团队成功开发了一款新型 Agent（智能体），该智能体整合了 RAG 技术，旨在解析包含数百万字词的文档。尽管它仅利用了 Qwen2 大模型的 8k 上下文窗口，但其性能表现却超越了传统的 RAG 模型和长序列原生模型。
Agent 构建流程如下：
该智能体的构建涉及三个级别，每一级都是基于前一级的构建：
级别一：检索
这一级别关注的是如何识别并提取与关键词最相关的文档片段，主要分为以下三个步骤：
步骤1 ：区分指令信息与非指令信息
用户输入示例：“请用2000字的篇幅详细说明，我的问题是，自行车是什么时候发明的？请用英文回答。”
信息分解：{“问题内容”: [“自行车是什么时候发明的”], “指令要求”: [“2000字详细说明”, “用英文回答”]}。
步骤2 ：多语言关键词推导
输入问题：“自行车是什么时候发明的”
信息转换：{“英文关键词”: [“bicycles”, “invention”, “timing”], “中文关键词”: [“自行车”, “发明”, “时间”]}。
步骤3 ：应用 BM25 关键词检索算法
通过 BM25 算法，对关键词进行高效的检索，以定位相关文档片段。
级别二：分块阅读
当相关文档片段与用户查询关键词的重叠度不足，可能导致这些片段在检索过程中被忽略，未能传递给大模型。为了解决这个问题，我们采用了以下策略：
步骤1：相关性评估
使用聊天模型对每个512字节的文档片段进行评估，判断其与用户查询的相关性。如果模型判断为不相关，则输出“无”；若判断为相关，则输出相关的句子。
步骤2：基于相关句子的检索
从步骤1中提取出的相关句子，将它们作为搜索查询词，利用BM25算法检索出与用户查询最相关的文档块。
步骤3：生成答案
根据检索到的上下文信息，生成最终的答案。
级别三：递进推理
面对多跳推理问题，比如：用户提问：“与贝多芬的第五交响曲创作于同一世纪的交通工具是什么？”大模型需要将问题分解为多个子问题来逐一解答：“贝多芬的第五交响曲是在哪个世纪创作的？”以及“自行车是在哪个世纪发明的？”
这一挑战可以通过以下步骤，利用工具调用（又称函数调用）智能体或 ReAct智能体来解决：
1. 向三级智能体（Lv3-Agent）提出原始问题。
2. 当三级智能体无法根据其现有记忆回答问题时，执行以下步骤：
a. 三级智能体生成一个新的子问题。
b. 三级智能体将这个子问题提交给二级智能体（Lv2-Agent）。
c. 将二级智能体的回答整合到三级智能体的记忆库中。
3. 重复上述过程，直到三级智能体能够回答原始问题。
4. 最终，三级智能体提供原始问题的解答。
参考：
原文链接：