功能型网站 设计wordpress 置顶调用

功能型网站 设计,wordpress 置顶调用,石家庄招标信息网,互联网+项目计划书范文案例文章介绍了Agentic RAG技术#xff0c;通过引入AI智能体将传统静态检索升级为动态知识编排。相比传统RAG的单步检索#xff0c;Agentic RAG具备多步迭代推理、自适应检索策略、多源信息融合和复杂任务拆解等优势#xff0c;解决了传统RAG检索不到合适内容就效果差、知识库外…文章介绍了Agentic RAG技术通过引入AI智能体将传统静态检索升级为动态知识编排。相比传统RAG的单步检索Agentic RAG具备多步迭代推理、自适应检索策略、多源信息融合和复杂任务拆解等优势解决了传统RAG检索不到合适内容就效果差、知识库外信息无法处理等问题。文章详细阐述了Agentic RAG的核心架构、工作模式并提供了使用LazyLLM框架搭建系统的实践案例展示了MCP协议在简化工具集成方面的应用。1、什么是 Agentic RAG1. RAG带着课本进考场的学生传统RAG就像个勤奋但刻板的学生 工作原理用户提问 → 向量化 → 检索相似文档 → 拼接上下文 → LLM生成答案致命缺陷纯被动执行。它不会思考这个问题真正在问什么不会判断检索到的内容是否真相关更不会意识到可能需要多步推理才能得出答案。正如搜索结果所示传统RAG是单步检索和生成的固定流水线缺乏对查询复杂度的分析和策略调整能力。2. AI Agent考场里的智能老师AI智能体更像一位经验丰富的专家教师 核心特征自治决策、工具调用、记忆管理、规划反思它不仅能理解任务目标更能自主规划步骤、调用工具、评估结果整个过程无需人类干预。这位老师懂得 分析题目难度决定直接作答还是分步解决 熟练使用计算器、网络搜索、数据库等多种教辅工具 反思错误调整策略直到给出满意答案3. Agentic RAG师生同考的黄金组合Agentic RAG RAG AI Agent如果说RAG是带书本考试Agentic RAG就是**“既有书本又有老师现场指导”**。这位智能老师能动态规划检索策略、自主选择信息源、迭代优化答案质量。2、核心架构四种智能工作模式Agentic RAG通过引入AI智能体将静态检索升级为动态知识 orchestration。在LazyLLM框架中我们可以实现四种主流智能体模式模式一Function Call Agent工具调用型特点直接行动快速调用工具边做边学流程Action → Observation → 循环直至解决适用简单直接的查询任务模式二ReAct思考-行动型→⚡特点每次行动前先思考推理更严谨流程Thought → Action → Observation → 循环模式三PlanAndSolve规划-执行型→✅特点先制定完整计划再分步执行流程Plan → 执行单步 → 观察 → 调整计划 → 继续适用需要多步骤协作的复杂问题模式四ReWOO无观察推理型特点一次性生成完整计划并行执行所有步骤流程Plan → 执行所有步骤 → 综合结果优势效率更高适合工具间依赖较少的场景3、降维打击Agentic RAG为何碾压传统RAG对比维度传统RAGAgentic RAG流程类型单步检索生成多步迭代推理与检索控制流固定流水线动态、智能体驱动、含规划决策检索策略一次检索定生死自适应检索可反馈优化记忆能力无状态不记历史跨行动维护记忆和状态工具集成仅检索器和生成器灵活调用多种工具API、计算器、数据库等智能决策❌ 无✅ 自动规划、自我反思、动态路由核心优势解析1️⃣ 多源信息融合传统RAG困于单一知识库Agentic RAG能自主调用搜索引擎、数据库、专业API等工具。就像一个老师既会查课本还会上网、查专业数据库、咨询同行。2️⃣ 智能查询优化当首次检索结果不佳时智能体会自动更换关键词、切换检索工具、甚至重新理解用户意图。这解决了传统RAG一次查不到就凉凉的痛点。3️⃣ 复杂任务拆解面对分析2024年AI论文趋势并生成图表这类需求Agentic RAG会自动分解为搜索论文→统计分析→数据可视化→撰写报告全程自治。4️⃣ 结果交叉验证多个数据源的信息可以相互佐证智能体还能识别矛盾点并优先采信高可信度来源大幅减少幻觉。4、MCP协议AI世界的USB-C接口1. 标准化革命解决开发痛点在构建Agentic RAG时最头疼的莫过于每个工具都要重写接口。MCPModel Context Protocol应运而生——它相当于AI应用的USB-C接口统一了模型与外部世界的交互方式[^原文]。过去每接入一个工具天气API、PDF解析、代码执行都要写一堆集成代码现在符合MCP标准的工具即插即用模型自动识别功能、参数和调用方式2. 架构三剑客Host你的AI应用主体如Cursor、Claude DesktopClientHost内的通信桥梁1:1连接ServerServer提供Tools函数、Resources数据、Prompts模板的标准化服务在LazyLLM中接入高德地图MCP服务仅需几行代码3. 实践在LazyLLM中使用MCP1️⃣配置LazyLLM所需要的所有依赖首先参考 https://docs.lazyllm.ai/zh-cn/latest/ 的Getting started部分安装LazyLLM并完成环境配置。同时由于MCP Server的使用依赖Node.js和npm可参考https://nodejs.org/en/download 完成最新版本的安装和配置。2️⃣利用已有的MCP服务若需接入已有的 MCP 服务如高德地图的地理位置服务可通过 LazyLLM 的 MCPClient 工具直接连接无需自行部署 Server。SSE URL 接入以高德 MCP 为例无需启动本地 Server直接通过服务提供商提供的 SSE 长连接 URL 配置 Client。需将”xxx”替换为自己的key。创建keyhttps://lbs.amap.com/api/mcp-server/create-project-and-keyimport lazyllm from lazyllm.tools.agent import ReactAgent from lazyllm.tools import MCPClient mcp_configs { amap_mcp: { url: http://mcp.amap.com/sse?keyxxx } } client MCPClient(command_or_urlmcp_configs[amap_mcp][url]) llm lazyllm.OnlineChatModule(sourcesensenova, modelQwen3-32B, streamFalse) agent ReactAgent(llmllm.share(), toolsclient.get_tools(), max_retries15) print(agent(查询北京的天气))运行结果如下通过本次实践我们可以了解到MCP Server的出现直接省去了Agent开发环节中工具研发和调试的成本5、用 LazyLLM 搭建 Agentic RAG系统下面通过一个完整示例展示如何一步步实现 Agentic RAG。1. 搭建基础 RAG我们先使用 LazyLLM 构建一个标准 RAG包括RetrieverRerankerLLMimport lazyllm from lazyllm import pipeline, bind, SentenceSplitter, Document, Retriever, Reranker from lazyllm import TrainableModule prompt You will play the role of an AI QA assistant and complete a dialogue task. In this task, you need to provide your answer based on the given context and question. documents Document( dataset_pathAgenticRAG/documents, embedTrainableModule(base_modelBAAI/bge-large-zh-v1.5), managerFalse ) documents.create_node_group(namesentences, transformSentenceSplitter, chunk_size1024, chunk_overlap100) with pipeline() as ppl: ppl.retriever Retriever(documents, group_namesentences, similaritycosine, topk1) ppl.reranker Reranker( ModuleReranker, modelTrainableModule(base_modelBAAI/bge-reranker-large ,typererank), topk1, output_formatcontent, joinTrue ) | bind(queryppl.input) ppl.formatter (lambda nodes, query: dict(context_strnodes, queryquery)) | bind(queryppl.input) ppl.llm lazyllm.OnlineChatModule(sourcesensenova, modelQwen3-32B, streamFalse).prompt(lazyllm.ChatPrompter(prompt, extra_keys[context_str])) if __name__ __main__: lazyllm.WebModule(ppl, portrange(23467, 24000)).start().wait()运行结果如下2. 构建 ReAct 智能体Agentic RAG 就是引入了 AI 智能体的 RAG这里让我们用 LazyLLM 来注册一个假的知识库搜索工具实现一个 React:import json import lazyllm from lazyllm import fc_register, ReactAgent fc_register(tool) def search_knowledge_base(query: str): Get info from knowledge base in a given query. Args: query (str): The query for search knowledge base. return 《狗·猫·鼠》、《阿长与〈山海经〉》、《二十四孝图》、《五猖会》、《无常》、《从百草园到三味书屋》、《父亲的病》、《琐记》、《藤野先生》、《范爱农》 llm lazyllm.OnlineChatModule(sourcesensenova, modelQwen3-32B,streamFalse) tools [search_knowledge_base] agent ReactAgent(llm, tools) if __name__ __main__: res agent(朝花夕拾有哪些文章) print(Result: \n, res)运行结果如下智能体会根据问题自动决定是否调用该工具。有了 React我们就可以将它的工具替换为 RAG 中的 Retriever 和 Reranker 来作为一个真实的知识库让它可以调用检索器import lazyllm from lazyllm import (pipeline, bind, OnlineEmbeddingModule, SentenceSplitter, Reranker, Document, Retriever, fc_register, ReactAgent) from lazyllm import TrainableModule documents Document( dataset_pathAgenticRAG/documents, embedTrainableModule(base_modelBAAI/bge-large-zh-v1.5), managerFalse ) documents.create_node_group(namesentences, transformSentenceSplitter, chunk_size1024, chunk_overlap100) with pipeline() as ppl_rag: ppl_rag.retriever Retriever(documents, group_namesentences, similaritycosine, topk3) ppl_rag.reranker Reranker(ModuleReranker, modelTrainableModule(base_modelBAAI/bge-reranker-large ,typererank), topk1, output_formatcontent, joinTrue) | bind(queryppl_rag.input) fc_register(tool) def search_knowledge_base(query: str): Get info from knowledge base in a given query. Args: query (str): The query for search knowledge base. return ppl_rag(query) tools [search_knowledge_base] llm lazyllm.OnlineChatModule(sourcesensenova, modelQwen3-32B, streamFalse) agent ReactAgent(llm, tools) if __name__ __main__: res agent(朝花夕拾有哪些文章) print(Result: \n, res)运行结果如下实现 Agentic RAG将运行结果如下RAG 的检索组件直接替换为ReactAgentimport lazyllm from lazyllm import (pipeline, bind, OnlineEmbeddingModule, SentenceSplitter, Reranker, Document, Retriever, fc_register, ReactAgent, TrainableModule,FunctionCallAgent) prompt You will play the role of an AI QA assistant and complete a dialogue task. In this task, you need to provide your answer based on the given context and question. documents Document(dataset_pathAgenticRAG/documents, embedTrainableModule(base_modelBAAI/bge-large-zh-v1.5), managerFalse) documents.create_node_group(namesentences, transformSentenceSplitter, chunk_size1024, chunk_overlap100) with pipeline() as ppl_rag: ppl_rag.retriever Retriever(documents, group_namesentences, similaritycosine, topk3) ppl_rag.reranker Reranker(ModuleReranker, modelTrainableModule(base_modelBAAI/bge-reranker-large, typererank), topk1, output_formatcontent, joinTrue) | bind(queryppl_rag.input) fc_register(tool) def search_knowledge_base(query: str): Get info from knowledge base in a given query. Args: query (str): The query for search knowledge base. return ppl_rag(query) tools [search_knowledge_base] with pipeline() as ppl: ppl.retriever FunctionCallAgent(lazyllm.OnlineChatModule(sourcesensenova, modelQwen3-32B, streamFalse), tools) ppl.formatter (lambda nodes, query: dict(context_strnodes, queryquery)) | bind(queryppl.input) ppl.llm lazyllm.OnlineChatModule(sourcesensenova, modelQwen3-32B, streamFalse).prompt(lazyllm.ChatPrompter(prompt, extra_keys[context_str])) if __name__ __main__: lazyllm.WebModule(ppl, portrange(23467, 24000)).start().wait()运行结果如下 此时 检索不再是一次调用 而是一个“智能体驱动的过程” 一个最小可用的 Agentic RAG 就完成了。 4. 更多的尝试 我们可以尝试使用不同的 AI 智能体工作流FunctionCallAgent、PlanAndSolveAgent、ReWOOAgent来替换上面的 React from lazyllm import FunctionCallAgent, PlanAndSolveAgent, ReWOOAgent # Use FunctionCallAgent: ppl.retriever FunctionCallAgent(lazyllm.OnlineChatModule(), tools) # Use PlanAndSolveAgent: ppl.retriever PlanAndSolveAgent(lazyllm.OnlineChatModule(), tools) # Use ReWOOAgent: ppl.retriever ReWOOAgent(lazyllm.OnlineChatModule(), tools) 这里我们尝试将ReactAgent 替换为FunctionCallAgent, 来查看效果如何学习大模型 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。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势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大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2025 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 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③ 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。④ 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。⑤ 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。⑥ 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。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取