摘要：在我们开始Agentic RAG应用之前，先快速回顾一下传统的 RAG 架构是什么样子以及它的工作原理。这些知识对后来的初学者以及不知道基本 RAG 流程如何工作的人将会很有用。

在我们开始Agentic RAG应用之前，先快速回顾一下传统的 RAG 架构是什么样子以及它的工作原理。这些知识对后来的初学者以及不知道基本 RAG 流程如何工作的人将会很有用。

从上面的简单 RAG 系统的图中，我们看到有如下一些元素：

（1）文档（Documents）：这是我们想要用外部信息增强大语言模型（LLM）的上下文，它被输入到 LLM 中。这些可以是 PDF 或任何其他文本文档，甚至是适合多模态 LLM 的图像。

（2）块（Chunks）：较大的文档被分解成较小的尺寸，通常被称为块（Chunks），有时也称为节点（Nodes）。

（3）嵌入（Embeddings）：一旦有了较小尺寸的块，我们就会为它们创建向量嵌入。当接收到用户查询时，执行相似性搜索并检索最相似的文档（块），RAG 的检索部分。这些检索到的文档块与用户查询一起发送到 LLM，检索到的文档作为上下文。从这里，LLM 生成响应。

上面是典型的传统 RAG 系统的工作方式。

已经看到了上面的简单 RAG 的实现，这种方法适用于简单的问答任务，涉及一个或几个文档。不适合复杂的问答任务和对大量文档的摘要。

这就是智能体可以发挥作用的地方，帮助将简单的 RAG 实现提升到一个全新的水平。有了 Agentic RAG 系统，更复杂的任务，如文档摘要、复杂的问答以及其他许多任务，可以更容易地进行。Agentic RAG 还允许将工具调用纳入到 RAG 系统中，这些工具可以是自定义函数。

这是LlamaIndex中最简单的Agentic RAG形式。在这一方法中，我们有一个路由引擎（Router Engine），借助LLM的帮助，确定使用哪个工具或查询引擎来处理用户给定的查询。

如下是路由查询引擎的基本实现方式：

来源：软件架构