点击“蓝字” 关注我们
在人工智能领域，随着大型语言模型（LLM）的快速发展，我们见证了问答系统能力的显著提升。然而，面对复杂、多步骤的问题，单一模型往往难以提供准确且高效的答案。为了应对这一挑战，多代理系统（Multi-Agentic Systems）应运而生，它通过分配和委托任务给专业化的模型，并将它们的输出像拼图一样组合起来，从而解决了这一难题。今天我们一起了解一下Multi-Agentic RAG（Retrieval Augmented Generation）系统(面向企业RAG（Retrieval Augmented Generation）系统的多维检索框架)，特别是结合Hugging Face Code Agents的实现，以及这一框架如何为智能问答系统开辟新的可能性。
一、Multi-Agentic RAG系统的核心概念
Multi-Agentic RAG系统是多代理系统与检索增强生成（RAG）技术的结合体。RAG技术(探索 Auto-RAG：提升人工智能知识获取与生成能力的新路径)通过从大量文本中检索相关信息，并利用这些信息生成答案，从而增强了语言模型的能力。然而，传统的RAG框架在处理复杂问题时可能会遇到瓶颈，比如当问题的答案需要跨越多个文本片段或进行逻辑推理时。
多代理系统则通过分解任务，将复杂问题拆解为多个子问题，每个子问题由专门的代理负责解决。这些代理可以是不同类型的模型，它们各自擅长处理不同的任务。例如，一个代理可能擅长检索信息，而另一个则擅长理解和整合这些信息。通过将这些代理的输出组合起来，系统能够生成更全面、准确的答案。
二、Hugging Face Code Agents的优势
Hugging Face Code Agents是构建在Hugging Face Transformers库之上的一种特殊类型的LLM代理，它们使用可执行的Python代码来与环境交互。这种代理具有以下几个显著优势：
-
更高的性能和更快的执行速度
由于代码代理可以直接利用现有的软件包和任务特定的工具，它们通常比使用JSON或其他文本格式执行动作的代理具有更高的性能和更快的执行速度。此外，代码代理可以自我调试生成的代码，通过错误消息来修正错误。 -
更自然的动作格式
LLM通常熟悉编写代码，因为代码广泛存在于它们的预训练数据中。因此，使用代码作为动作格式对LLM来说更加自然。 -
增强的安全性
Hugging Face代码代理实现了一种从底层开始的安全代码执行方法，代码解释器只能执行明确授权的操作。这大大降低了由LLM生成的代码可能带来的安全风险。
三、Multi-Agentic RAG系统的架构与实现
在构建Multi-Agentic RAG系统时，我们通常会采用一种层次化的架构，其中每个代理都有其特定的任务和职责。以下是一个基于Hugging Face Code Agents的Multi-Agentic RAG系统(使用Colpali架构掌握多模态RAG技术)的具体实现示例：
1. 系统架构
该系统由三个代理组成：管理器代理、维基百科搜索代理和页面搜索代理。这三个代理以层次化的方式组织，每个代理都可以使用其下方的代理作为工具。
-
管理代理
作为顶级代理，接收用户问题并负责返回答案。它可以将维基百科搜索代理作为工具，通过向其发送查询并接收搜索结果来工作。其目的是将用户问题分解为一系列子查询，从维基百科收集必要信息，并整合搜索结果。 -
维基百科搜索代理
向管理代理报告，接收来自管理代理的查询，并负责返回从维基百科检索到的信息。它可以访问两个工具，一个是使用 wikipedia 包中的内置搜索功能的维基百科搜索工具，另一个是用于从特定维基百科页面检索信息的页面搜索代理。该代理通过将查询进一步分解为子查询，收集回答查询所需的信息，并在需要时组合来自多个页面的信息。 -
页面搜索代理
向维基百科搜索代理报告，接收查询和维基百科页面标题，负责从该页面检索回答查询的相关信息，本质上是一个单代理检索增强生成系统。它通过生成自定义查询并使用语义搜索工具来检索与查询更相似的段落。
2. 实现细节
每个代理都有其专用的系统提示和代码执行环境。这些提示基于Hugging Face提供的默认模板，并根据代理的具体任务进行了定制。例如，管理器代理的提示可能包括如何与维基百科搜索代理交互的说明，以及如何使用Python代码来整合和呈现信息。
代码执行环境则限制了代理可以使用的Python函数和模块，以确保安全性和可控性。代理只能执行明确授权的操作，并且只能导入预定义的模块列表中的模块。
3. 工作流程
当用户向系统提出一个问题时，管理器代理首先接收问题，并生成一个或多个子查询来指导维基百科搜索代理。维基百科搜索代理使用这些子查询在维基百科上搜索相关信息，并返回相关页面的摘要或链接。然后，页面搜索代理从这些页面中提取特定信息，如段落或数据点，并将其返回给管理器代理。最后，管理器代理整合这些信息，并生成一个完整的答案呈现给用户。
四、Multi-Agentic RAG系统的优势与挑战
优势
-
增强的问答能力
通过分解任务并分配给专门的代理，Multi-Agentic RAG系统能够处理更复杂、多步骤的问题。 -
更高的效率和准确性
每个代理都专注于其擅长的任务，从而提高了系统的整体效率和准确性。 -
灵活性和可扩展性
系统可以轻松地添加新的代理或修改现有代理的任务，以适应不断变化的需求。
挑战
-
计算时间
尽管Multi-Agentic RAG系统能够处理复杂问题，但多个代理的执行可能会增加计算时间。在某些情况下，这可能会产生不必要的计算开销。 -
代理之间的协调
确保不同代理之间的有效协调和通信是一个挑战。如果代理之间的交互不够顺畅，可能会导致信息丢失或误解。 -
安全性和可控性
尽管Hugging Face Code Agents提供了一定程度的安全性和可控性，但仍然存在潜在的安全风险。例如，恶意用户可能会尝试利用系统漏洞来执行未授权的操作。
五、未来展望
随着技术的不断发展，Multi-Agentic RAG系统有望在未来实现更广泛的应用(构建多代理检索增强生成（Multi-Agent Retrieval-Augmented Generation）系统)。例如，在医疗领域，该系统可以帮助医生快速获取和整合关于患者病情的信息，从而提供更准确的诊断和治疗建议。在教育领域，它可以作为智能辅导系统，帮助学生解决复杂的学习问题，并提供个性化的学习建议。
此外，随着LLM技术的不断进步和模型性能的提升，我们可以期待Multi-Agentic RAG系统在处理更复杂、更抽象的问题方面展现出更强的能力。例如，它可能能够处理涉及多个领域知识的跨领域问题，或者进行更高层次的逻辑推理和创意生成。
同时，为了克服当前面临的挑战，我们需要继续研究更有效的代理协调和通信机制，以及更强大的安全性和可控性措施。此外，还需要探索如何更好地利用不同模型和算法的优势，以实现更高效、更准确的问答系统。
Multi-Agentic RAG系统(哪款Multi-Agent框架更胜一筹？深入剖析五大热门选项)是一种强大的智能问答框架，它通过结合多代理系统和检索增强生成技术，为处理复杂问题提供了新的解决方案。结合Hugging Face Code Agents的实现，该系统在性能、安全性和可控性方面展现出了显著的优势。然而，我们也应认识到当前面临的挑战和限制，并继续探索和改进这一框架，以实现更广泛、更深入的应用。
code:https://github.com/GabrieleSgroi/multiagentic_rag
