大模型增强检索优化之——用智能体去重构你的RAG系统

最近这段时间一直在做一个RAG检索增强的系统，但由于前期对需求了解不足，导致目前系统开发遇到一些问题，那就是目前使用纯粹的RAG技术很难解决业务需求问题。

目前的需求是在一个大的业务场景下有三个子场景，但这个三个场景的入口只有一个对话框，因此需要根据用户的意图来进行识别，然后判断属于哪个子场景。

因此，基于这种需求，之前的纯RAG技术就很难满足了；原因就在于传统的RAG技术都是固定流程，没有自主判断的能力。所以，为了解决这个问题，只能换一种方式，那就是智能体。

我们都知道大模型的应用本质上就是一门关于提示词的技术，任何与大模型的交互都是基于提示词来完成的。

而RAG技术又是什么呢？

可能网上很多文章和教程都在告诉你，RAG叫做Retrieval-Augmented Generation——检索增强生成；其实简单来说RAG就是一种提示词增强的技术；因为大模型本身的限制问题，导致大模型缺少部分资料，因此在咨询大模型具体的问题之前，需要先找到问题相关的文档，然后告诉大模型，大模型才能回答我们的问题；而这个找文档的过程就叫做RAG。

因此，所谓的RAG检索增强生成，主要由两个模块组成；检索和生成，而检索的目的是为了增强生成的质量。

所以，RAG的本质是为了找到与问题相关的文档；但传统的RAG技术是固定化的流程，先对文档进行处理，然后根据用户问题对文档进行相似度或准确查找。

这种方式在某些场景下是没问题的，但在某些场景下就有问题了；因为其固定的流程，就没办法根据不同的需求和场景来进行自主判断；比如作者上面所说的场景。

因此，遇到这种问题应该怎么解决？

所以这时智能体的作用就体现出来了；那么什么是智能体？

智能体是一个能够与外部环境进行交互，并且能够做出自我决策，并且根据决策结果进行行动的独立个体。

所以，智能体的特点就是自主决策，有自我“意识”；因此，它可以自己分析用户的意图，然后决定执行什么样的步骤。

所以，相较于传统的RAG技术，基于智能体的RAG技术有更强的自主性，更强的灵活性，以及更强的扩展性。

当然，并不是说使用智能体做的RAG就一定比传统的RAG技术更好；而是说传统的RAG技术和使用智能体实现的RAG技术，各自有各自的应用场景；两者并不是互相排斥，而是可以进行互补。

比如说本地数据可以使用RAG做检索增强，而第三方数据可以使用智能体做检索增强；原因在于智能体灵活性更强，更适合与第三方交互；而传统RAG技术更简单，成本更低，适合固定流程的业务场景。