三张图详解大模型、RAG和AGENT的关系

三张图详解大模型、RAG和AGENT的关系

引用

腾讯

1.

https://new.qq.com/rain/a/20240822A0ABNS00?media_id=&suid=

随着人工智能技术的快速发展，大模型、RAG（检索增强生成）和AGENT（智能体）等概念逐渐进入人们的视野。它们之间究竟存在怎样的关系？本文将通过三张图来为您详细解析。

RAG（Retrieval-Augmented Generation）是一种结合检索与生成技术的方法，让大模型LLM能根据实时检索到的信息来增强生成的内容准确性。

AGENT作为工作流的形式出现，则是将多个大模型和RAG的技术结合起来，形成一个能够完成特定任务的智能实体。

例如，在一个客服场景中，AGENT可以使用大模型来理解客户的问题，并利用RAG来查找公司内部数据库中的相关政策或解决方案，从而给出最合适的回答。这样，AGENT就能够提供既准确又个性化的服务。

大模型与RAG的关系：

1. 基础能力：大模型具备强大的语言理解和生成能力，是RAG系统的核心组成部分。
2. 信息检索：RAG通过检索外部知识库来获取特定信息，这些信息可以被大模型用于生成更准确、更具体的响应。

我们用下面三张图来说明大模型与RAG的关系：

• 第一类工作流，基础的检索文档并回答；此工作流程非常适合用户入门，它将复杂的搜索任务简化为直观的聊天体验。
• 第二类工作流，出现了两个不同角色的大模型，它们之间有了分工，帮助实现翻译的能力。这也是我们常说的AGENT体系或者MOE架构，一个工作会有多个模型的参与完成。
• 第三类工作流，模型有了通过API召唤外部工具的能力，我们可以看到，模型能够通过多个 API 调用工具执行各种 HTTP 操作，每个工具都针对特定任务进行了唯一配置，从而让模型能力进一步拓展乃至无限。