category
改进检索增强生成（RAG）涉及基于用户意图和关注上下文对查询进行分类。还利用SLM和微调来提供更准确和相关的结果。
简而言之
选择正确的RAG（检索增强生成）架构主要取决于具体的用例和实现要求，确保系统与任务需求保持一致。
Agent RAG的重要性将越来越高，与Agent X的概念相一致，其中Agent能力嵌入个人助理、工作流程和流程中。
在这里，“X”代表了代理系统的无限适应性，实现了无缝的任务自动化和跨不同环境的知情决策，以提高组织效率和自主性。
综合不同的文档源对于有效解决复杂的多部分查询至关重要。
介绍
提供准确的RAG实施的挑战包括检索相关数据、准确解释用户意图，以及利用LLM的推理能力完成复杂任务。
推理可以通过像ReAct这样的RAG代理方法来增强，在这种方法中，可以创建事件的推理和行为序列。
我从这项研究中发现了一个有趣的事实，即它指出没有一种单一的解决方案适用于所有数据增强的LLM应用程序。
上下文是指围绕对话的信息，帮助人工智能理解用户的意图并提供相关、连贯的回应。
这包括用户之前的输入、当前任务、环境以及可能影响对话的任何外部数据等因素。
有效的上下文处理使人工智能能够保持一致和个性化的对话，根据持续的互动调整反应，并确保对话感觉自然和有意义。
用户意图检测
在许多情况下，系统性能不佳要么源于未能确定任务的主要重点，要么源于需要多种技能组合的任务，这些技能必须仔细分离以获得最佳结果。
意图是指用户输入背后的潜在目的或目标，表示用户希望通过查询实现或传达什么。
识别意图使AI系统能够做出适当的响应。
RAG数据分类
级别1：显式事实查询
直接要求具体的、已知的事实。
查询是关于给定数据中直接存在的明确事实，不需要任何额外的推理。
这是最简单的查询形式，其中模型的任务主要是定位和提取相关信息。当用户提出问题时，RAG实现会针对分块数据中包含的事实。
第二级：隐含事实查询
间接地寻求事实，需要解释来确定答案。
查询是关于数据中隐含的事实，这些事实并不明显，可能需要一定程度的常识推理或基本的逻辑推理。
必要的信息可能分布在多个部分，或者需要简单的推理。
例如，堪培拉所在国家的多数党是什么？可以通过将堪培拉在澳大利亚的事实与澳大利亚目前多数党的信息相结合来回答。
在第二级，我们开始看到推理和动作元素的引入，因此RAG采用了一种更具主体性的方法。
第3级：可解释的理由查询
专注于理解事实背后的推理，并需要支持逻辑解释的数据。
这些查询既需要事实知识，也需要解释和应用对数据上下文至关重要的特定领域指导方针的能力。
这种理由通常在外部资源中提供，但在通用语言模型的初始预训练中很少遇到。
例如，在财务审计中，法学硕士可能需要遵循监管合规指南，以评估公司的财务报表是否符合标准。
同样，在技术支持方面，可能需要遵循故障排除工作流程来帮助用户，确保响应准确并符合既定协议。
第4级：隐藏的理由查询
寻求更深入的见解，通常需要基于上下文的推理来揭示潜在的含义或含义。
这类查询要求人工智能根据数据中观察到的模式和结果推断出没有明确记录的复杂理由。
这些隐藏的理由涉及隐式推理和逻辑联系，很难精确定位和提取。
例如，在IT运营中，语言模型可能会分析过去事件解决方案的模式，以确定成功的策略。
同样，在软件开发中，人工智能可以借鉴过去的调试案例来推断有效的问题解决方法。通过综合这些隐含的见解，该模型可以提供反映微妙的、基于经验的决策的响应。
代理发现
可解释和隐藏的理由将重点转移到RAG系统理解和应用数据背后推理的能力上。
这些层次需要更深层次的认知过程，其中代理框架与专家知识相一致，或从非结构化历史数据中提取见解。
根据这项研究并考虑到上面的图像，需要明确事实的查询和依赖于隐含推理的查询之间存在区别。
例如，关于签证资格的询问需要领事馆指南中的明确事实（L3），而关于对公司未来发展的经济影响的问题需要对财务报告和经济趋势进行分析（L4）。
这两种情况下的数据依赖性都突显了外部来源的重要性，无论是官方文件还是专家分析。
在这两种情况下，提供理由都有助于将反应情境化，不仅提供答案，还提供背后的知情推理。
- 登录 发表评论