如果想要进一步改进效果操作

ReAct这个范式在整个AI Agent发展时间线上占据的重要的地位。

（发展历程：——从黑盒 –> CoT 暴露思考步骤 –> 自主调用工具，增强行动执行 –> 组合后就是 Reason+Action= ReAct –> 以及后续升级版本 ReWOO ）

网上听到的 Agentic RAG 是个啥，以及它和传统RAG 有何区别。它是RAG 的迭代版本，基本的RAG 过程没有改变。

传统的 RAG 效果并不是那么好，通常会遇到这样几种情况：

1. 用户的 query 在向量数据库里搜索不到，或者搜出来的结果不准。（LLM 对问题进行改写）
2. 用户的提问不一定需要去向量数据库中搜索，此时的搜索只会浪费 token 资源。比如用户要求生成一段计算加法的 python 代码，这其实直接交给大模型就可以完成。（）
3. 既然是开卷考试了，那大模型非得翻书本吗（向量数据库搜索）？我去网上搜一下（联网搜索）行不行？我去问问别人（调用工具）行不行？（多种数据源分析与调用）
4. 如何确定最后得到的答案是准确的呢？（检查分析判断——也是ReAct 的实现）
5. 商业化应用，需要一套稳定的飞轮系统（强化 数据和流程的融合）

RAG 系统 全景图

[补充 图片]

本文主旨

1. 使用图形化的工具，完成RAG 知识库和相关Agent（作业帮）案例，实现中小学 历史&数学题目的辅助解答
2. 从中 体会 Agentic RAG 的改进点

多轮+复杂意图的对应 都是比较困难的项目，也是有价值的项目