Explicación de los agentes RAG a principiantes en dos minutos ¿Qué son los agentes RAG? Los agentes RAG son agentes inteligentes que recuperan el contexto relevante de fuentes de conocimiento especificadas por el usuario (como documentos y bases de datos), lo utilizan como referencia para guiar el razonamiento y, posteriormente, generan respuestas o realizan acciones (como invocar herramientas). Una ventaja clave es la provisión de fuentes de citación y registros de verificación, lo que evita el problema de la «ilusión» y garantiza resultados fiables y verificables. Pasos clave: Desde la recuperación hasta la validación. Recuperación: Expandir las palabras clave de la consulta, buscar en índices o bases de datos y ordenar los resultados. • Anclaje (base): Seleccione los fragmentos más relevantes (como texto o tablas) de los resultados. • Razonamiento: Sintetizar respuestas o planes de acción basados en estos contextos, utilizando únicamente información fiable. • Acción (Act): Produce una respuesta, invoca herramientas (como consultas SQL, búsquedas web, envío de correo electrónico) o genera contenido. • Auditoría: Verificar la exactitud, la veracidad y el cumplimiento de las citaciones; registrar los registros de seguimiento para facilitar la reproducción y la depuración. Descripción general de la arquitectura · Módulo RAG: El núcleo es Query Embedding, que transforma las consultas de los usuarios en vectores mediante un modelo de incrustación y las compara con contenido candidato de una base de datos vectorial. LLM procesa el contexto y genera una respuesta inicial. • Módulo de agente de IA: Un agente impulsado por LLM que se conecta a la entrada del usuario, integra la salida de RAG y se extiende a herramientas externas. • Expansión externa: Esto incluye búsquedas web, llamadas a API (como servicios externos) e incluso “toma de control”. La arquitectura general se basa en capas: capa de índice (almacenamiento vectorial o búsqueda híbrida), unidad de recuperación (reescritura y filtrado de consultas), reordenador (mejora de la precisión), unidad de lectura/inferencia (generación de LLM), mecanismo de citación (con enlaces a las fuentes) y controlador (coordinación de reintentos y llamadas a herramientas). Además, se hace hincapié en la observabilidad: seguimiento de consultas, latencia y coste. Los patrones de recuperación eficaces mejoran la recuperación y la precisión; técnicas prácticas de recomendación de hilos: Búsqueda híbrida: Combina la búsqueda por palabras clave (BM25) y la búsqueda vectorial para equilibrar la amplitud y la precisión. • Reescritura de consultas: Amplíe las abreviaturas, los sinónimos o los filtros de tiempo para evitar omisiones. • Recuperación multihop: Primero se genera una subconsulta y luego se realiza una segunda recuperación para abordar problemas complejos. • Reordenar: Reevaluar los 50–200 mejores resultados y seleccionar los 5–10 mejores. • Recuperación estructurada: Las bases de datos SQL/de grafos se utilizan para los hechos, y los documentos se utilizan para el contenido narrativo. Al procesar fuentes de conocimiento, la clave es la estrategia de "fragmentación": • Segmentación de bloques adaptativa: de 200 a 800 tokens de longitud, con un solapamiento del 10 al 20 % para facilitar la inserción. • Conocimiento de tablas: Prefiere extraer filas/agregados usando SQL en lugar de texto plano. • Conservar los encabezados de sección: Mantener el título/ID para facilitar la citación y la reorganización. • Puntualidad: Agregue marcas de tiempo para priorizar la información más reciente y resolver conflictos.
