Традиционный RAG обладает простым поиском, ограниченной адаптивностью и опирается на статические знания, что делает его менее гибким для динамичной и реальной информации.
Agentic RAG улучшает это, вводя агентов ИИ, которые могут принимать решения, выбирать инструменты и даже уточнять запросы для более точных и гибких ответов. Вот как работает Agentic RAG на высоком уровне:
1. Пользовательский запрос направляется агенту AI для обработки.
2. Агент использует кратковременную и долгосрочную память для отслеживания контекста запроса. Также разрабатывается стратегия поиска и подбирается подходящие инструменты для задачи.
3. Процесс извлечения данных может использовать такие инструменты, как векторный поиск, несколько агентов и MCP-серверы для сбора релевантных данных из базы знаний.
4. Затем агент объединяет полученные данные с запросом и системным запросом. Он передаёт эти данные в LLM.
5. LLM обрабатывает оптимизированный вход для ответа на запрос пользователя. Ответить
Тропический Автор
🚀 $PROS is live. Pharos airdrop claim just opened.
RealFi L1 backed by $52M (Hack VC, Faction). 1B supply, 6% to community.
How to check:
— Visit the claim page https://app.pxaros.xyz
— Connect your wallet
— Check eligibility and claim if available
— Not eligible yet? Try again later — distribution is happening in waves
Token breakdown:
— 1B total supply
— 6% set aside for airdrop (1% unlocked at TGE)
— 21% allocated to ecosystem & community
Window closes October 25 — after that, it's gone.
60 seconds. Worth it. Ответить
Комментарии (2)
Традиционный RAG обладает простым поиском, ограниченной адаптивностью и опирается на статические знания, что делает его менее гибким для динамичной и реальной информации.
Agentic RAG улучшает это, вводя агентов ИИ, которые могут принимать решения, выбирать инструменты и даже уточнять запросы для более точных и гибких ответов. Вот как работает Agentic RAG на высоком уровне:
1. Пользовательский запрос направляется агенту AI для обработки.
2. Агент использует кратковременную и долгосрочную память для отслеживания контекста запроса. Также разрабатывается стратегия поиска и подбирается подходящие инструменты для задачи.
3. Процесс извлечения данных может использовать такие инструменты, как векторный поиск, несколько агентов и MCP-серверы для сбора релевантных данных из базы знаний.
4. Затем агент объединяет полученные данные с запросом и системным запросом. Он передаёт эти данные в LLM.
5. LLM обрабатывает оптимизированный вход для ответа на запрос пользователя.
RealFi L1 backed by $52M (Hack VC, Faction). 1B supply, 6% to community.
How to check:
— Visit the claim page https://app.pxaros.xyz
— Connect your wallet
— Check eligibility and claim if available
— Not eligible yet? Try again later — distribution is happening in waves
Token breakdown:
— 1B total supply
— 6% set aside for airdrop (1% unlocked at TGE)
— 21% allocated to ecosystem & community
Window closes October 25 — after that, it's gone.
60 seconds. Worth it.