———————————————————————————————————————
在 AI 智能體的開發與應用中，如何讓智能體獲取準確且最新的知識是一個關鍵問題。檢索增強生成（RAG）技術的出現，為解決這一難題提供了有效途徑，它通過結合大語言模型和外部知識檢索，極大地強化了 AI 智能體的知識儲備和回答能力。

RAG 技術核心機制

RAG 技術的核心之一是知識檢索。它利用向量數據庫等技術，將文本數據轉化為向量形式存儲，當智能體接收到問題時，通過計算向量相似度，從知識庫中快速檢索出相關信息。例如，使用 FAISS 向量數據庫，將大量的新聞文章存儲為向量，當用戶詢問關于某一事件的信息時，能迅速找到相關文章。信息融合是 RAG 的另一個關鍵環節，將檢索到的信息與大語言模型的生成能力相結合。智能體不再單純依賴模型的預訓練知識，而是根據檢索結果生成更準確、更有針對性的回答。知識庫構建也至關重要，需要收集、整理和更新知識數據，確保知識庫的完整性和準確性。比如，構建一個醫療知識庫，包含疾病癥狀、治療方法等信息。

RAG 在智能體中的應用實現

在智能體架構中集成 RAG 模塊，首先要選擇合適的 RAG 框架或工具，如 LangChain 就提供了方便的 RAG 集成功能。通過配置相關參數，將知識庫與大語言模型連接起來。優化檢索策略可以提高檢索的準確性和效率，比如采用語義檢索、多關鍵詞檢索等方式，結合關鍵詞權重調整，使檢索結果更符合用戶需求。在生成結果優化方面，根據檢索到的信息，對大語言模型的輸入進行調整，引導模型生成更優質的回答。例如，在問答系統中，將檢索到的文本作為上下文提供給模型，讓模型基于這些信息生成答案。

RAG 對智能體的價值體現

RAG 技術顯著提升了智能體知識的準確性。由于引入了外部知識庫的檢索，智能體能夠獲取更精確的信息，避免了單純依賴模型預訓練知識可能出現的錯誤。時效性方面，RAG 使智能體可以實時獲取最新知識。比如在金融領域，智能體可以及時檢索到最新的股票行情、財經新聞等信息，為用戶提供最新的市場動態。在可解釋性上，RAG 也有很大改善，因為智能體的回答是基于檢索到的具體信息，能夠清晰地解釋回答的依據，增強用戶對智能體的信任。
檢索增強生成（RAG）技術通過獨特的核心機制，在智能體中的有效應用，為 AI 智能體帶來了知識準確性、時效性和可解釋性等多方面的提升，使其在各種應用場景中更具優勢。

第一章、智能體(Agent)入門

1、智能體（Agent）概述（什么是智能體？智能體的類型和應用場景、典型的智能體應用，如：Google Data Science Agent等）

2、智能體（Agent）與大語言模型（LLM）的關系

3、智能體（Agent）的五種能力（記憶、規劃、工具、自主決策、推理）

4、多智能體（Multi-Agent）協作

5、智能體（Agent）構建的基本步驟

6、案例

第二章、基于字節Coze 構建智能體(Agent)

1、Coze平臺概述

2、（實操）從0到1搭建第一個智能體（Agent）

3、（實操）智能體（Agent）基礎設置（多Agent模式、對話流模式、LLM模型設置、提示詞撰寫等）

4、（實操）為智能體（Agent）添加技能（插件、工作流、觸發器、卡片等）

5、（實操）為智能體（Agent）添加知識（知識庫介紹、添加知識庫、知識庫檢索與召回等）

6、（實操）為智能體（Agent）添加記憶（創建和使用變量、數據庫、長期記憶的開啟、修改和刪除等）

7、（實操）提升智能體（Agent）的對話體驗（設置開場白、快捷指令等）

8、（實操）智能體（Agent）的預覽、調試與發布

9、案例

第三章、基于其他平臺構建智能體（Agent）

1、（實操）基于百度平臺構建智能體

2、（實操）基于智譜清言平臺構建智能體

3、（實操）基于通義千問平臺構建智能體

4、（實操）基于豆包平臺構建智能體

5、案例

第四章、國內外智能體(Agent)經典案例詳解

1、斯坦福小鎮：生成式智能體（Generative Agents）

2、ByteDance Research推出的論文檢索智能體

3、Google Data Science Agent

4、AutoGPT：通過自然語言的需求描述執行自動化任務

5、OpenAI推出的首個智能體(Agent)：Operator

6、案例

第五章、大語言模型應用開發框架LangChain入門

1、LangChain平臺概述（LangChain框架的核心功能與特點）

2、（實操）LangChain安裝與使用

3、（實操）LangChain的核心組件：Models（模型）、Prompts（提示詞）、Indexes（索引）、Chains（鏈）、Agents（智能體）、Memory（記憶）

4、案例

第六章、基于LangChain的大模型API接入

1、（實操）在LangChain 中使用OpenAI大語言模型

2、（實操）在LangChain 中使用文心一言大語言模型

3、（實操）在LangChain 中使用DeepSeek大語言模型

4、（實操）在LangChain 中使用智譜清言大語言模型

5、（實操）在LangChain 中使用本地開源大語言模型

6、案例

第七章、基于LangChain的智能體(Agent)開發

1、使用LangChain構建Agent的使用流程

2、（實操）LangChain的配置與管理

3、（實操）LangChain提示詞模板（PromptTemplate）的創建與調用

4、（實操）利用LLMRequestsChain類實現從互聯網獲取信息（查詢天氣等）

5、（實操）LangChain鏈式請求的創建與調用

6、（實操）LangChain讓AI記住你說過的話

7、案例

第八章、開源大語言模型及本地部署

1、開源大語言模型簡介（開源大語言模型的基本概念、開源大語言模型與閉源大語言模型的對比）

2、（實操）開源大語言模型（Llama3、Mistral、Phi3、Qwen2、DeepSeek等）下載與使用

3、（實操）使用Docker部署開源大語言模型（Docker的基本概念、Docker的核心組件與功能、Docker的安裝與配置、在Docker中部署Llama3等開源大語言模型）

4、（實操）使用Open-WebUI構建Web可視化交互（類似ChatGPT）的開源大語言模型對話系統（Open-WebUI的基本概念與功能、Open-WebUI的下載與安裝、配置一個用于對話系統的Open-WebUI）

5、案例

第九章、從0到1搭建第一個大語言模型

1、（實操）數據集構建（數據集的收集與處理、從互聯網上收集文本數據、數據清洗與標注、常用的數據集格式，如：CSV、JSON、TXT等）

2、（實操）大語言預訓練模型的選擇（預訓練模型的優勢、常見的預訓練模型，如：GPT、BERT等、從Hugging Face等平臺下載預訓練模型）

3、（實操）大語言模型的訓練（模型訓練的基本步驟、訓練過程中的監控與調試）

4、（實操）大語言模型的優化（常見訓練參數，如：學習率、批次大小等、參數調整與優化技巧、優化訓練參數以提高模型性能）

5、（實操）大語言模型的推理（模型推理與模型訓練的區別、提高推理速度的技巧、從輸入到輸出的完整推理流程）

6、（實操）大語言模型的部署與應用（模型部署的基本流程、部署環境的配置與管理）

7、案例

第十章、大語言模型優化

1、檢索增強生成（RAG）技術詳解（RAG的基本原理、RAG在大語言模型中的作用和優勢、RAG的系統架構、RAG檢索結果與生成結果相結合的方法、RAG知識庫的構建方法）

2、向量數據庫簡介與向量檢索技術詳解（使用向量數據庫進行快速檢索）

3、文本嵌入（Text Embedding）技術概述（常用的文本嵌入模型、使用GPT API）

4、（實操）基于RAG的問答系統設計

5、微調（Fine-Tuning）技術詳解（微調的基本原理、微調在大語言模型中的作用、準備一個用于微調的數據集、常見的微調方法，如PEFT、LoRA等、不同任務的微調策略、微調過程中的常見問題與解決方案）

6、（實操）微調一個預訓練的GPT模型

7、量化技術詳解（量化的基本概念、量化在模型優化中的重要性、量化的不同方法，如：靜態量化、動態量化、混合量化等、量化處理的步驟）

8、案例

了解更多

V頭像