Agentic RAG [1]

Agentic RAG 和简单 RAG 的最大区别在于 Agentic RAG 引入了 Agent 的动态编排机制，因此可以根据用户提问的不同意图，引入反馈和查询改写机制，并进行“多跳”式的知识推理，从而实现对复杂提问的回答。

• Self-RAG 是相对初级的 Agentic RAG，RAGFlow 中也已提供了相关实现。实践证明，Self-RAG 对于较复杂的多跳问答和多步推理可以明显提升性能。
• Adaptive RAG
  • 开放域问答
  • 多跳问答
  • 自适应检索
• Adaptive RAG [2] Adaptive-RAG的核心在于它能够通过一个分类器来评估问题的复杂性，然后根据这个评估结果选择最合适的处理策略。 分类器是一个较小的语言模型

实战

Case 1. NVIDIA NIM RAG agent with LLaMA3[10]

We'll combine ideas from paper RAG papers into a RAG agent:

• Routing: Adaptive RAG (paper). Route questions to different retrieval approaches
• Fallback: Corrective RAG (paper). Fallback to web search if docs are not relevant to query
• Self-correction: Self-RAG (paper). Fix answers w/ hallucinations or don’t address question

Case 2. pandas-rag-langgraph [11]

<aside> 💡

• 本地RAG【Self-RAG】 + web search【CRAG】 </aside>