#Agentic RAG

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

11小时前

企业领域本体构建的四步实践法———一个可行Palantir的Ontology路径推演（另文同步发布）现在，让我们企业领域数据本体工程涉及所有关键细节、双边与多边的复杂关系，以及其中微妙的区别与联系，彻底梳理、缝合，并最终推演出一套经得起拷问的、关于“企业AI落地的关键脉络——领域数据本体的构建实践与推演”的完整体系。这条脉络，标志着企业AI构建者角色的根本性转变。我们不再是试图用代码复刻人类智慧的“知识工程师”，而是与AI协作的“认知架构师”。我们的核心工作，是为强大的、但缺乏领域深度的LLM，设计和建造一个能够激活其潜能、引导其思考、并约束其行为的“认知空间”。这个空间的地基，是经过治理的、干净的数据；其框架，是符合“AI邓巴数”原则的、简洁的领域本体；其运行规则，是透明、可观测的Agentic RAG流程；其生命力，则来自于凤凰涅槃式的、不断进化的新陈代谢。这套方法论，恰到好处地融合了符号主义的严谨与连接主义的灵活，既尊重了商业世界的复杂现实，又最大限度地释放了新一代AI的惊人潜力。它虽然艰辛，但却为我们在这个充满不确定性的AI时代，指明了一条通往真正商业价值的、坚实而光明的道路。

#企业AI #领域本体 #认知架构师 #Agentic RAG #商业价值

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

1个月前

LLM出现的第一天起，就有很多人想把LLM这种公域的认知智能应用于企业场景。首先面临的是需要喂给LLM企业具体场景的知识作为上下文，输出为企业场景需要的业务文本、逻辑和智能，以及结合agent自动化工作流提高效率。场景知识注入的挑战，表现为一个RAG问题，RAG从naive、advanced到modular，以及为了解决知识碎片化的GraphRAG，甚至近期更提出了agentic RAG，把知识提取作为一个更自主和自适应的企业AI Multi-Agengt应用的一个模块。

#LLM #企业应用 #知识注入 #RAG #自动化工作流 #GraphRAG #Agentic RAG

6个月前

DailyDoseofDS 这个图把传统 RAG 和 Agentic RAG 之间的差异分的比较清楚。传统 RAG 就是先把文档向量化保存到向量数据库，然后在用户查询时，对用户的问题也做向量化，从向量数据库中找到相关的文档，再把问题和找出来的结果交给 LLM 去总结生成。这种方式的优点就是简单，由于不需要太多次和 LLM 之间的交互，成本也相对低，但缺点是经常会因为做相似检索时，找不到合适的结果，而导致生成结果不理想。 Agentic RAG 则是在过程中引入 AI 智能体： - 先对用户的查询内容用智能体进行重写，比如修正拼写错误等 - 智能体判断是不是还需要额外的信息，比如可以去搜索引擎搜索，或者调用工具获取必要的信息 - 当 LLM 生成内容后，在返回给用户之前，让智能体去检查答案是不是和问题相关，是不是能解决用户的问题，如果不行，则返回第一步，修改查询内容，继续迭代，直到找到相关的内容，或者判断该问题无法回答，告知用户结果。当然这样做的缺点是成本要相对高一些，并且耗时会更长。

#RAG #Agentic RAG #向量数据库 #LLM #自然语言处理 #信息检索 #数据处理