← 返回标签列表

RAG

3 篇文章

LangChain 核心组件与交互

LangChain 将大模型应用拆解为六大核心组件:Models(模型,统一调用接口)、Prompts(提示词模板)、Indexes(资料检索,支撑RAG)、Memory(对话记忆)、Chains(固定流程串联)和Agents(自主决策调用工具)。这些组件像团队角色各司其职,通过数据流动协作完成复杂任务,例如企业知识库问答中,Memory记录历史、Indexes检索文档、Prompts组装指令、Models生成答案。组合方式上,早期使用固定Chain类,现在更推荐LCEL管道式组合(用|符号串联组件,灵活插入自定义步骤)和LangGraph图编排(支持条件分支、循环、人工审批等复杂流程)。无论组合方式如何变化,六大组件的核心职责不变,变的只是拼接的灵活性和可编程性。

Agent

本文介绍了两种AI Agent类型:Workflow Agent和ReAct Agent。Workflow Agent通过人工定义规则和工具赋能,解决LLM的幻觉、无执行能力等缺陷,适用于高准确性场景,采用RAG技术、预设工作流和工具调用实现可控性。ReAct Agent则通过“推理→行动→反馈”循环动态完成任务,适用于非固定步骤的任务,如文件查找和故障排查,核心是思维链技术支撑推理过程。文章还通过案例展示了ReAct Agent如何通过多轮工具调用完成复杂任务,并讨论了相关技术架构和产品。

你的RAG总翻车?问题出在提示词

本文介绍了从提示工程到RAG的核心内容。提示工程是应用层核心技术,通过设计Prompt(包括身份设定、背景、参考资料、样例、指令和限制条件)与大语言模型交互,分为Zero-Shot、One-Shot和Few-Shot三种范式。RAG(检索增强生成)通过构建可检索知识库,解决Prompt字数限制和性能下降问题,执行流程包括知识库构建和检索生成。高级技巧强调“双向奔赴”:优化用户Query(如改写上下文依赖、对比型问题)和适配知识库处理(基于场景和技术理解,构建多维度专属知识库),协同提升检索精度和答案质量。