如果你在过去几年中使用大型语言模型构建过任何应用，那么你一定构建过检索增强生成（RAG）流水线。将查询转换为向量嵌入，在向量数据库中搜索，将最相关的文本块填入提示词，然后让模型生成回答。这是将大型语言模型基于真实数据进行落地的“Hello World”式入门方案——而且在很长一段时间里，这种做法已经足够。
但现在情况不同了。
当你的应用场景涉及多跳推理、工具调用或分散在数千份文档中的实体间关系时，简单的 RAG 方法开始显现出局限性。这催生了两种值得深入理解的演进架构：代理式 RAG 和图 RAG。它们解决的是不同的问题，混淆二者会导致你花费数周时间重新构建系统。让我们逐步解析这三种架构。
RAG 对比代理式 RAG 对比图 RAG：哪种真正适合你的应用场景？ - BezKoder
深入解析三种检索架构：RAG、代理式 RAG、图 RAG —— 为何“只需添加 RAG”不再是一个足够的建议
bezkoder.com
免责声明：本文内容来自互联网，该文观点不代表本站观点。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请到页面底部单击反馈，一经查实，本站将立刻删除。
