asinghcsu/AgenticRAG-Survey

Agentic-RAG explores advanced Retrieval-Augmented Generation systems enhanced with AI LLM agents.

agenticagentic-aiagentic-frameworkagentic-patternagentic-ragagentic-workflowllm-agentmulti-agent-systemsmultiagentragreflectiontools

GAI 中文摘要

AgenticRAG-Survey 是一个专注于研究与梳理“智能体增强检索增强生成”（Agentic RAG）系统的开源项目，旨在通过深入解析代理模式与工作流，探讨如何将自主智能体融入 RAG 流程以提升 AI 系统的性能与自主性。该资源库为开发者和研究人员提供了一份详尽的知识图谱，用于理解现代 RAG 架构的演进及其在复杂任务中的实际应用。

核心功能包括：系统性地梳理了反射、规划、工具调用及多智能体协作等关键代理模式，阐述了单智能体、多智能体、层级化及图驱动等各类 RAG 系统的分类体系，通过对比分析展示了传统 RAG 与 Agentic RAG 在不同场景下的优劣势，提供了跨行业（如医疗、金融、法律）的实际应用案例与落地建议，并整理了相关的技术实现工具、教程与未来发展挑战。

该项目非常适合人工智能领域的研究人员、负责构建复杂 AI 应用的系统架构师以及寻求提升 RAG 系统智能程度的开发者使用，适用于需要深入理解前沿智能体工作流模式并在复杂业务场景中落地智能检索方案的各类开发实践。

⭐

1.5k

Stars

🔱

175

Forks

👁

Watchers

📋

Issues

创建于 2025/1/10更新于昨天

在 GitHub 上查看访问主页

README

由 Gemini 翻译整理

Agentic Retrieval-Augmented Generation：Agentic RAG 综述

最近更新 (2025-02-04):

查看本仓库目录中的第 4 节，获取全新的 Agentic Workflow Patterns（Agentic 工作流模式）。新增了图片以增强对 Agentic RAG 概述 的理解。论文内容也已同步更新。

摘要

Agentic Retrieval-Augmented Generation (Agentic RAG) 通过将自主 AI Agent 嵌入到 RAG 流水线中，代表了人工智能领域的一次变革性飞跃。本仓库作为综述论文《Agentic Retrieval-Augmented Generation (Agentic RAG): A Survey On Agentic RAG》的配套资源，提供了以下深度见解：

基础原则，包括反射（reflection）、规划（planning）、工具使用（tool use）和多 Agent 协作等 Agentic Patterns。
Agentic RAG 系统的详细分类法，展示了包括单 Agent、多 Agent、分层、纠错、自适应和基于图的 RAG 等框架。
对传统 RAG、Agentic RAG 和 Agentic Document Workflows (ADW) 的比较分析，突出了它们的优缺点及最佳适用场景。
涵盖医疗、教育、金融和法律分析等行业的实际应用。
扩展性、AI 伦理、多模态集成以及人机协作方面的挑战与未来方向。

本仓库旨在为研究人员和从业者提供一个全面的资源库，以探索、实现并推动 Agentic RAG 系统能力的发展。

📜 摘要
🧩 引言
🤖 Agentic Patterns
🔄 Agentic Workflow Patterns
🛠️ Agentic RAG 系统分类法
🔍 Agentic RAG 框架的比较分析
💼 应用场景
🚧 挑战与未来方向
🛠️ RAG Agentic 分类法的实现：技术与工具
📰 关于 Agentic RAG 的博客与教程
🖊️ 值得注意的相关概念
💡 Agentic RAG 的实际实现与案例
📚 参考文献
🖊️ 如何引用

引言

检索增强生成（RAG）系统结合了大型语言模型（LLMs）的能力与检索机制，以生成上下文相关且准确的回答。虽然传统的 RAG 系统在知识检索和生成方面表现出色，但在处理动态、多步推理任务、适应性以及复杂工作流的编排方面往往力不从心。

Agentic Retrieval-Augmented Generation (Agentic RAG) 通过集成自主 AI Agent 克服了这些限制。这些 Agent 采用核心的 Agentic Patterns（如反射、规划、工具使用和多 Agent 协作），能够动态适应特定任务的需求，并在以下方面提供卓越性能：

多领域知识检索。
实时、以文档为中心的工作流。
可扩展、自适应且符合伦理的 AI 系统。

本仓库探索了 RAG 向 Agentic RAG 的演进，并介绍了：

Agentic Patterns：驱动系统适应性和智能的核心原则。
分类法（Taxonomy）：Agentic RAG 架构的全面分类。
比较分析：传统 RAG、Agentic RAG 和 ADW 之间的关键差异。
应用场景：医疗、教育、金融等领域的实际用例。
挑战与未来方向：解决扩展性、AI 伦理及多模态集成问题。

无论您是研究人员、开发人员还是从业者，本仓库都提供了宝贵的见解和资源，帮助您理解并推进 Agentic RAG 系统。

Agentic Patterns

Agentic RAG 系统通过定义明确的 Agentic Patterns 获取智能和适应性。这些模式使 Agent 能够处理复杂的推理任务、适应动态环境并有效地进行协作。以下是 Agentic RAG 的核心模式：

1. 反射 (Reflection)

定义：Agent 对自身的决策和输出进行评估，识别错误并寻找改进点。
主要优势：
- 实现结果的迭代优化。
- 提高多步推理任务的准确性。
示例：在医疗诊断系统中，Agent 根据检索数据的迭代反馈来优化诊断结果。

2. 规划 (Planning)

定义：Agent 创建结构化的工作流和任务序列，以高效解决问题。
主要优势：
- 通过拆解任务来促进多步推理。
- 通过优化任务流程降低计算开销。