近期LLM和RAG的发展

在信息检索和自然语言处理领域，LLM和RAG的最新发展开启了一个高效和复杂的新时代。在LLM和RAG的最新进展中，四个关键领域取得了显著进展：

• 增强检索（Enhanced retrieval）：优化RAG系统中的信息检索对性能至关重要。最近的进展集中在重新排序算法和混合搜索方法上，以提高搜索精度。通过为每个文档使用多个向量，可以实现更细粒度的内容表示，从而增强相关性识别。
• 语义缓存（Semantic caching）：为了减少计算成本并确保响应一致性，语义缓存已成为一项关键策略。通过存储最近查询的答案及其语义上下文，可以高效处理类似请求，而无需重复调用LLM，从而实现更快的响应时间和一致的信息传递。
• 多模态集成（Multimodal integration）：这将LLM和RAG的能力扩展到文本之外，集成了图像和其他模态。这有助于访问更广泛的源材料，并实现文本和视觉数据之间的无缝交互，从而产生更全面和细致的响应。
• Agentic RAG：基于agents的RAG实现，Agentic RAG利用智能agents来处理需要复杂规划、多步推理和外部工具使用的复杂问题。

Agentic RAG定义

引入 Agent 来管理检索过程，使其更具动态性和适应性，这些 Agent 可以：

• 分析用户查询： 将复杂的问题分解为更小的可操作步骤。
• 规划检索策略： 确定从各种来源访问相关信息的最佳方法。
• 选择合适的工具： 利用不同的工具（例如，矢量搜索、网络搜索、知识图）来收集信息。
• 优化查询： 通过反复优化搜索过程来提高检索到的信息的质量。
• 结合多种来源的信息： 整合来自不同知识库和工具的数据，提供全面的答案。
• 评估结果： 评估生成的响应的质量并根据需要调整流程。

Agentic RAG 的主要优势：

• **提高准确性：**通过积极管理检索过程和优化查询，agentic RAG 最大限度地降低了信息不正确或不完整风险。
• **增强情境感知：**代理可以利用不同的知识来源并整合信息来提供更细致、更符合情境的响应。
• **提高灵活性：**调整工作流程和集成不同工具的能力使得 agentic RAG 适合复杂的现实世界任务。
• **减少幻觉：**通过将 LLM 的回答建立在外部知识的基础上，代理 RAG 有助于降低 LLM 伪造信息的风险。