当前位置：首页 > news >正文

检索增强生成（RAG）：强化 AI 智能体的知识 “武装”

news 来源：原创 2025/6/27 21:16:09

技术点目录

- 第一章、智能体(Agent)入门
- 第二章、基于字节Coze 构建智能体(Agent)
- 第三章、基于其他平台构建智能体（Agent）
- 第四章、国内外智能体(Agent)经典案例详解
- 第五章、大语言模型应用开发框架LangChain入门
- 第六章、基于LangChain的大模型API接入
- 第七章、基于LangChain的智能体(Agent)开发
- 第八章、开源大语言模型及本地部署
- 第九章、从0到1搭建第一个大语言模型
- 第十章、大语言模型优化
- 了解更多

———————————————————————————————————————
在 AI 智能体的开发与应用中，如何让智能体获取准确且最新的知识是一个关键问题。检索增强生成（RAG）技术的出现，为解决这一难题提供了有效途径，它通过结合大语言模型和外部知识检索，极大地强化了 AI 智能体的知识储备和回答能力。

在这里插入图片描述
RAG 技术核心机制

RAG 技术的核心之一是知识检索。它利用向量数据库等技术，将文本数据转化为向量形式存储，当智能体接收到问题时，通过计算向量相似度，从知识库中快速检索出相关信息。例如，使用 FAISS 向量数据库，将大量的新闻文章存储为向量，当用户询问关于某一事件的信息时，能迅速找到相关文章。信息融合是 RAG 的另一个关键环节，将检索到的信息与大语言模型的生成能力相结合。智能体不再单纯依赖模型的预训练知识，而是根据检索结果生成更准确、更有针对性的回答。知识库构建也至关重要，需要收集、整理和更新知识数据，确保知识库的完整性和准确性。比如，构建一个医疗知识库，包含疾病症状、治疗方法等信息。

RAG 在智能体中的应用实现

在智能体架构中集成 RAG 模块，首先要选择合适的 RAG 框架或工具，如 LangChain 就提供了方便的 RAG 集成功能。通过配置相关参数，将知识库与大语言模型连接起来。优化检索策略可以提高检索的准确性和效率，比如采用语义检索、多关键词检索等方式，结合关键词权重调整，使检索结果更符合用户需求。在生成结果优化方面，根据检索到的信息，对大语言模型的输入进行调整，引导模型生成更优质的回答。例如，在问答系统中，将检索到的文本作为上下文提供给模型，让模型基于这些信息生成答案。

RAG 对智能体的价值体现

RAG 技术显著提升了智能体知识的准确性。由于引入了外部知识库的检索，智能体能够获取更精确的信息，避免了单纯依赖模型预训练知识可能出现的错误。时效性方面，RAG 使智能体可以实时获取最新知识。比如在金融领域，智能体可以及时检索到最新的股票行情、财经新闻等信息，为用户提供最新的市场动态。在可解释性上，RAG 也有很大改善，因为智能体的回答是基于检索到的具体信息，能够清晰地解释回答的依据，增强用户对智能体的信任。
检索增强生成（RAG）技术通过独特的核心机制，在智能体中的有效应用，为 AI 智能体带来了知识准确性、时效性和可解释性等多方面的提升，使其在各种应用场景中更具优势。

第一章、智能体(Agent)入门

1、智能体（Agent）概述（什么是智能体？智能体的类型和应用场景、典型的智能体应用，如：Google Data Science Agent等）

2、智能体（Agent）与大语言模型（LLM）的关系

3、智能体（Agent）的五种能力（记忆、规划、工具、自主决策、推理）

4、多智能体（Multi-Agent）协作

5、智能体（Agent）构建的基本步骤

6、案例

第二章、基于字节Coze 构建智能体(Agent)

1、Coze平台概述

2、（实操）从0到1搭建第一个智能体（Agent）

3、（实操）智能体（Agent）基础设置（多Agent模式、对话流模式、LLM模型设置、提示词撰写等）

4、（实操）为智能体（Agent）添加技能（插件、工作流、触发器、卡片等）

5、（实操）为智能体（Agent）添加知识（知识库介绍、添加知识库、知识库检索与召回等）

6、（实操）为智能体（Agent）添加记忆（创建和使用变量、数据库、长期记忆的开启、修改和删除等）

7、（实操）提升智能体（Agent）的对话体验（设置开场白、快捷指令等）

8、（实操）智能体（Agent）的预览、调试与发布

9、案例

第三章、基于其他平台构建智能体（Agent）

1、（实操）基于百度平台构建智能体

2、（实操）基于智谱清言平台构建智能体

3、（实操）基于通义千问平台构建智能体

4、（实操）基于豆包平台构建智能体

5、案例

第四章、国内外智能体(Agent)经典案例详解

1、斯坦福小镇：生成式智能体（Generative Agents）

2、ByteDance Research推出的论文检索智能体

3、Google Data Science Agent

4、AutoGPT：通过自然语言的需求描述执行自动化任务

5、OpenAI推出的首个智能体(Agent)：Operator

6、案例

第五章、大语言模型应用开发框架LangChain入门

1、LangChain平台概述（LangChain框架的核心功能与特点）

2、（实操）LangChain安装与使用

3、（实操）LangChain的核心组件：Models（模型）、Prompts（提示词）、Indexes（索引）、Chains（链）、Agents（智能体）、Memory（记忆）

4、案例

第六章、基于LangChain的大模型API接入

1、（实操）在LangChain 中使用OpenAI大语言模型

2、（实操）在LangChain 中使用文心一言大语言模型

3、（实操）在LangChain 中使用DeepSeek大语言模型

4、（实操）在LangChain 中使用智谱清言大语言模型

5、（实操）在LangChain 中使用本地开源大语言模型

6、案例

第七章、基于LangChain的智能体(Agent)开发

1、使用LangChain构建Agent的使用流程

2、（实操）LangChain的配置与管理

3、（实操）LangChain提示词模板（PromptTemplate）的创建与调用

4、（实操）利用LLMRequestsChain类实现从互联网获取信息（查询天气等）

5、（实操）LangChain链式请求的创建与调用

6、（实操）LangChain让AI记住你说过的话

7、案例

第八章、开源大语言模型及本地部署

1、开源大语言模型简介（开源大语言模型的基本概念、开源大语言模型与闭源大语言模型的对比）

2、（实操）开源大语言模型（Llama3、Mistral、Phi3、Qwen2、DeepSeek等）下载与使用

3、（实操）使用Docker部署开源大语言模型（Docker的基本概念、Docker的核心组件与功能、Docker的安装与配置、在Docker中部署Llama3等开源大语言模型）

4、（实操）使用Open-WebUI构建Web可视化交互（类似ChatGPT）的开源大语言模型对话系统（Open-WebUI的基本概念与功能、Open-WebUI的下载与安装、配置一个用于对话系统的Open-WebUI）

5、案例

第九章、从0到1搭建第一个大语言模型

1、（实操）数据集构建（数据集的收集与处理、从互联网上收集文本数据、数据清洗与标注、常用的数据集格式，如：CSV、JSON、TXT等）

2、（实操）大语言预训练模型的选择（预训练模型的优势、常见的预训练模型，如：GPT、BERT等、从Hugging Face等平台下载预训练模型）

3、（实操）大语言模型的训练（模型训练的基本步骤、训练过程中的监控与调试）

4、（实操）大语言模型的优化（常见训练参数，如：学习率、批次大小等、参数调整与优化技巧、优化训练参数以提高模型性能）

5、（实操）大语言模型的推理（模型推理与模型训练的区别、提高推理速度的技巧、从输入到输出的完整推理流程）

6、（实操）大语言模型的部署与应用（模型部署的基本流程、部署环境的配置与管理）

7、案例

第十章、大语言模型优化

1、检索增强生成（RAG）技术详解（RAG的基本原理、RAG在大语言模型中的作用和优势、RAG的系统架构、RAG检索结果与生成结果相结合的方法、RAG知识库的构建方法）

2、向量数据库简介与向量检索技术详解（使用向量数据库进行快速检索）

3、文本嵌入（Text Embedding）技术概述（常用的文本嵌入模型、使用GPT API）

4、（实操）基于RAG的问答系统设计

5、微调（Fine-Tuning）技术详解（微调的基本原理、微调在大语言模型中的作用、准备一个用于微调的数据集、常见的微调方法，如PEFT、LoRA等、不同任务的微调策略、微调过程中的常见问题与解决方案）

6、（实操）微调一个预训练的GPT模型

7、量化技术详解（量化的基本概念、量化在模型优化中的重要性、量化的不同方法，如：静态量化、动态量化、混合量化等、量化处理的步骤）

8、案例

了解更多

V头像

技术点目录

第一章、智能体(Agent)入门

第二章、基于字节Coze 构建智能体(Agent)

第三章、基于其他平台构建智能体（Agent）

第四章、国内外智能体(Agent)经典案例详解

第五章、大语言模型应用开发框架LangChain入门

第六章、基于LangChain的大模型API接入

第七章、基于LangChain的智能体(Agent)开发

第八章、开源大语言模型及本地部署

第九章、从0到1搭建第一个大语言模型

第十章、大语言模型优化

了解更多

相关文章：