“ 決定智能體質量的核心是工具，模型只是決定使用哪個工具?！?/strong>

這幾天有個需求是把傳統RAG(naive rag)改成主動式RAG(Agentic RAG)，原因是因為傳統RAG只能進行簡單的語義檢索，無法進行條件式的數據篩選。

在前面的文章也簡單介紹過傳統RAG和主動RAG的區別，前者基于語義相似性，后者基于數據處理；前者是靜態的，后者是動態的。

舉例來說就是，我問社保和社保數據是不一樣的；前者是問與社保相關的政策和基本常識，后者是問我交了多少錢，能領多少補助。

一個是問概念，一個是查數據。 

理解智能體

之所以寫這篇文章的原因，作者本來是想趁周末把主動式RAG的功能給搞個初版出來，然后后面能夠輕松一點；但等到真正去做的時候，突然發現自己好像不知道智能體是什么了；雖然從概念上知道智能體是模型和工具的結合體，但從實際操作上突然不知道該怎么下手了。

這種現象也不是第一次出現，在之前也出現過了解一個新的技能時剛開始感覺自己什么都學會了，想通了但突然有一天發現好像什么都忘了，然后過段時間又慢慢回想起來了，這時你發現對這項技能的理解都不一樣了。

這可能就是人生三境界中的看山是山——看山不是山——看山又是山吧。

之所以突然搞不明白的原因是，因為業務場景比較復雜，既需要條件查詢也需要相似度查詢；但為了保證召回率，好像又都需要。這時使用工具和不使用工具好像并沒什么區別了。

使用工具的目的本來就是想更準確的召回數據，但如果召不回，那還要工具干嘛。

然后這個問題想了一天都沒想明白，本來想的是再想不明白就先動手做一下，因為很多事情是想不明白的，但做著做著就明白了。

但今天晚飯后出門散步，也可能是因為心情放松了，然后改進思路就打開了。

從業務上來說，我需要的是智能體能夠更準確的召回數據；但從技術上來說，智能體只是一個讓大模型使用工具的技術棧。

而從運行流程上來講，大模型用來理解和分析用戶問題，并且根據工具的定義來選擇合適的工具并生成參數。

因此，主動式RAG的核心是讓模型選擇合適的工具，并且這個工具能夠返回準確的數據。

然后我們雖然能盡量告訴模型選擇哪個工具，但我們無法決定模型選擇哪個工具；因此，我們只能盡量保證工具返回數據的質量，所以這就是我們解決問題的突破口。

怎么讓工具召回更高質量的數據呢？

那就是使用更好的查詢方式，比如條件查詢肯定會比相似度查詢更準確。

智能體的核心是工具，大模型只負責決定調用哪個工具，以及調用工具的參數，而大模型最終生成的效果是由工具返回的數據質量決定的。

本文轉載自???AI探索時代?? 作者：DFires