“ 傳統(tǒng)RAG和Agentic RAG的主要區(qū)別就是在于是否能執(zhí)行“動(dòng)作”。”

我們都知道基礎(chǔ)RAG是基于語(yǔ)義檢索的知識(shí)增強(qiáng)技術(shù)，但由于復(fù)雜的語(yǔ)義環(huán)境，很多時(shí)候基于簡(jiǎn)單的語(yǔ)義檢索并不能很好的解決我們的問(wèn)題。

比如說(shuō)我想查一下今年的就業(yè)情況，注意如果是基于基礎(chǔ)RAG的語(yǔ)義檢索，模型理解的更多的是與經(jīng)濟(jì)，就業(yè)相關(guān)的概念，政策性等內(nèi)容；但我們實(shí)際需要的是真實(shí)的統(tǒng)計(jì)局的就業(yè)情況數(shù)據(jù)。前者注重的是概念，后者注重的是動(dòng)作。

這就是傳統(tǒng)RAG的嚴(yán)重缺陷——只能進(jìn)行語(yǔ)義匹配，而無(wú)法進(jìn)行條件查詢(xún)；語(yǔ)義匹配和條件查詢(xún)的區(qū)別，一個(gè)是模糊匹配，一個(gè)是條件過(guò)濾；是兩種完全不同的動(dòng)作，純r(jià)ag最大的問(wèn)題就是無(wú)法準(zhǔn)確理解用戶的問(wèn)題/意圖，到底是一個(gè)問(wèn)題，還是一個(gè)動(dòng)作。

RAG需要區(qū)分概念和動(dòng)作

在自然語(yǔ)言中，語(yǔ)言有很多不同的詞性，而這些詞性往往代表著不同的意義；而最典型的兩種詞性就是名詞和動(dòng)詞，因?yàn)槠浯碇鴥煞N完全不同的狀態(tài)，前者需要說(shuō)，后者需要做。

而傳統(tǒng)RAG就是類(lèi)似于自然語(yǔ)言中的名詞，而Agentic RAG就類(lèi)似于自然語(yǔ)言中的動(dòng)詞。

雖然都是RAG技術(shù)，但由于其具體的特性導(dǎo)致這兩種技術(shù)方案適合兩種不同的典型場(chǎng)景。

一個(gè)是概念說(shuō)明類(lèi)場(chǎng)景，如產(chǎn)品介紹，功能說(shuō)明，文檔檢索等場(chǎng)景；這些場(chǎng)景中，由于主要涉及的都是概念性問(wèn)題，因此基于相似度的語(yǔ)義理解天生就適合這種場(chǎng)景。

但在基于查數(shù)據(jù)這種動(dòng)態(tài)場(chǎng)景，其更多偏向的是數(shù)據(jù)分析方面的內(nèi)容；而這種就需要能夠根據(jù)用戶輸入的內(nèi)容來(lái)判斷用戶的意圖到底是想了解概念，還是想查詢(xún)數(shù)據(jù)。

而后者這種查詢(xún)數(shù)據(jù)的動(dòng)作，可能需要調(diào)用API或生成SQL語(yǔ)句等方式來(lái)查詢(xún)數(shù)據(jù)；而了解過(guò)人工智能應(yīng)用的朋友應(yīng)該都知道，大模型本身是沒(méi)有行動(dòng)能力的，而傳統(tǒng)RAG也同樣如此。

但基于大模型構(gòu)建的智能體卻具備基礎(chǔ)的行動(dòng)能力，這就為查數(shù)據(jù)這個(gè)動(dòng)作賦予了可能。

事實(shí)上在實(shí)際的業(yè)務(wù)場(chǎng)景中，我們既需要傳統(tǒng)RAG的技術(shù)，也需要Agentic RAG這種主動(dòng)式RAG的技術(shù)；因?yàn)楹芏鄨?chǎng)景下，用戶的問(wèn)題既有簡(jiǎn)單的概念性問(wèn)題，也有復(fù)雜的數(shù)據(jù)分析問(wèn)題。

其實(shí)說(shuō)傳統(tǒng)RAG和Agentic RAG是兩種不同的技術(shù)方案，不如說(shuō)其是人類(lèi)真實(shí)世界中在技術(shù)層面的映射；從本質(zhì)上來(lái)說(shuō)，不論是傳統(tǒng)RAG，還是Agentic RAG都屬于檢索技術(shù)，但Agentic RAG會(huì)多了一步篩選的動(dòng)作，這個(gè)動(dòng)作就是條件查詢(xún)；但在Agentic RAG第一步篩選之后，同樣可以使用相似度計(jì)算的方式作為一種召回方式。

本文轉(zhuǎn)載自???AI探索時(shí)代?? 作者：DFires