为什么传统 RAG 无法满足企业工作流程的要求
检索增强生成是将 LLM 输出扎根于事实内容的突破，但检索相关块然后生成答案的标准模式在企业环境中达到了上限。真正的企业问题很少能通过单个文档段落得到解答。询问如何请求延长休假的员工需要人力资源政策文档中的信息、有关其特定休假类型的上下文、其部门的审批工作流程以及 HRIS 系统中现有请求的当前状态。标准 RAG 检索一些块并希望模型能够合成答案。实际上，这会产生部分正确但错过关键程序步骤的响应，或者更糟糕的是，由于检索步骤出现了被取代的文档版本，因此自信地陈述过时的策略。
Agentic RAG：在单一管道中检索、推理和操作
Agentic RAG 扩展了检索范式，使代理能够迭代检索、推理其当前知识中的差距、从不同来源再次检索并最终代表用户采取行动。代理执行推理循环，而不是单个检索步骤。首次检索：拉取休假政策。推理步骤：策略针对不同的休假类型引用了不同的规则，但用户尚未指定其休假类型。决策：检查 HRIS 系统中用户的有效休假记录。第二次检索：从 Workday 中提取员工的休假详细信息。推理步骤：员工正在休 FMLA 休假，该休假有特定的延期流程。第三次检索：拉取FMLA延期程序。操作：生成预先填写员工详细信息的延期申请表，并通过正确的审批工作流程提交。这种多跳模式将问答系统转变为工作流执行引擎。用户提出一个问题并收到一个已完成的操作，而不仅仅是他们需要自己采取行动的答案。
现实世界模式：多跳检索和工具增强生成
常见的代理 RAG 模式包括政策到行动、诊断协助和知识综合。在策略到操作中，系统可以检索批准的策略、请求授权的用户上下文，并仅准备或执行允许的工作流步骤。在诊断协助中，它可以在提出修复之前将故障排除指导与只读系统状态结合起来。在知识合成中，它可以根据新鲜度和权威性比较来源并返回引用。每个模式都需要明确的停止条件、权限、来源和评估标准；仅检索并不能使操作正确或安全。
ActiveMotion Team