[筆記] AI agents for beginners 第五課: What Is agentic RAG 課後心得
Agentic RAG 是 RAG（檢索增強生成）的進階版，它結合「代理人（Agent）」的規劃與判斷能力，能夠將使用者的複雜查詢拆解成多步驟任務，結合資料庫檢索與外部工具呼叫，並具備記憶與學習能力。簡單來說，它讓 LLM 不只會找資料，還會動腦解題、學習改進，能處理更複雜、更實用的問題。
第五堂課的主題是最近非常熱門的一個進階技術概念：「Agentic RAG」。這是我學習剛後整理出來的筆記跟心得，希望能幫助大家更好地理解它是什麼、跟基本 RAG 有什麼不同，以及它的實際應用潛力！
RAG 是什麼？
在介紹 Agentic RAG 之前，先簡單回顧一下 RAG 的基本概念：
- RAG（Retrieval-Augmented Generation）是一種讓大型語言模型（LLM）從資料庫中檢索相關資訊，並加進模型的上下文來回答使用者問題的技術。
- 這樣的設計能讓 LLM 給出的答案不再只是來自訓練資料，而是結合了最新、最即時的資訊。
影片中提到：
「RAG 能夠讓 LLM 根據使用者查詢，從資料庫中檢索資訊，並加到 context 中以提供更相關的回應。」
那什麼是 Agentic RAG？
Agentic RAG 是在 RAG 基礎上的進化版！它結合了「代理人 (Agent) 的智慧」來強化整個資訊檢索與回應流程。
- 查詢分析與規劃：Agent 會先分析使用者的問題，並規劃成一連串的任務。
- 多步驟與多系統處理：能夠處理需要經過多個系統、多個步驟才能回答的複雜問題。
- 資訊驗證與迭代：如果第一次檢索結果不足，Agent 會重新發出工具呼叫直到找到答案。
- 長期記憶：Agent 能記住先前的嘗試，避免重複錯誤、越來越聰明！
影片還開玩笑說：「我其實更想叫它 Adaptive RAG！」
實作技巧：Prompt Augmentation
為了讓 Agent 運作更聰明，可以使用 Prompt Augmentation 技術來加強提示內容。
- 例如透過設計
PromptPlugin，在使用者提出查詢後，自動加入更多指示。 - 這能引導 Agent 先判斷 context 是否足夠，再決定是否呼叫工具函式。
Agentic RAG 的三個實際應用範例
- RAG-only（僅使用檢索）：旅行保險範圍
當使用者問「我的旅行保險保什麼？」時，Agent 直接從 Azure Search 的文件中找答案。 - Tool-only（僅使用工具）：馬爾地夫的平均溫度
如果資料庫裡沒有即時氣溫資料，Agent 就會呼叫像WeatherInfoPlugin這樣的外部函數來取得資訊。 - 結合 RAG 與工具：寒冷目的地 + 溫度
使用者查詢：「有沒有寒冷的目的地？它們的平均溫度是？」Agent 的處理步驟如下： - 先用 RAG 檢索出目的地清單。
- 再逐一對可能的寒冷目的地呼叫外部函數查平均溫度。
- 綜合資料後，給出完整回答。
這樣的多步驟流程，就是 Agentic RAG 和傳統 RAG 最大的不同之處。
為什麼這麼重要？
Agentic RAG 的優勢總結如下：
- 結合分析 + 規劃 + 執行：讓 AI 不只是回話，而是真正執行任務。
- 能處理複雜、多層次問題：不再只適合單一查詢回應。
- 記憶與學習能力：下一次回答能夠避免犯一樣的錯誤。
結語
Agentic RAG 是一個進化，而不是替代。 它將 RAG 升級為真正具備「Agent 能力」的系統，能夠規劃、檢索、判斷與執行，處理比以往更複雜的問題。這個概念正改變我們打造 AI 應用程式的方式，也替未來更多創新開啟了想像空間。
希望這篇文章能幫助你理解什麼是 Agentic RAG，我們下回見！
留言
張貼留言