DataWhale 组队学习 wow-agent task2 体验总结归纳

一、Llama-index知识体验
1. ReActAgent 与业务自动化

• ReActAgent：通过 ReActAgent，业务逻辑可以自动转换为代码，只要有相应的 API，模型就可以调用。这种自动化能力使得许多业务场景变得更加高效和智能化。

• LlamaIndex 开源工具：LlamaIndex 提供了一些开源工具，帮助开发者实现这些功能。通过访问官网，开发者可以获取这些工具并应用到自己的项目中。

2. Agent 的设计原则与微服务类比

• 单一职责原则：一个 Agent 不能完成所有的功能，这符合软件设计中的单一职责原则。每个 Agent 专注于完成特定的任务，这样可以提高系统的可维护性和可扩展性。

• Agent 交互与通信：不同的 Agent 之间可以进行交互和通信，类似于微服务架构中的服务间通信。这种设计使得系统更加模块化，各 Agent 可以独立开发、部署和扩展。

3. 概念抽离与总结

• 模块化与解耦：通过将业务功能分解为多个 Agent，系统实现了模块化和解耦。每个 Agent 负责特定的任务，降低了系统的复杂性。

• 智能自动化：模型推理能力和提示词转换使得业务自动化成为可能，减少了人工干预，提高了效率。

• 开源工具与社区支持：LlamaIndex 等开源工具为开发者提供了强大的支持，使得这些技术的应用更加广泛和便捷。

   4.体验结果：

   成功感受到利用agent和大模型结合后的新体验，感受策略变更与大模型结合，产生新的优化和碰撞。

二、RAG知识体验

  

1. 核心概念

• RAG（Retrieval-Augmented Generation）：一种结合检索与生成的模型架构，通过从外部知识库中检索相关信息，再结合生成模型（如LLM）生成回答。这种方法能够提高回答的准确性和信息丰富度。

• 嵌入模型（Embedding Model）：用于将文本转换为向量表示，便于检索和相似度计算。

• 索引构建：将文档分块并转换为向量表示，存储在向量数据库（如FAISS）中，以便快速检索。

• 检索器（Retriever）：从索引中检索与问题相关的文档片段。

• 合成器（Response Synthesizer）：将检索到的信息与生成模型结合，生成最终回答。

2. 流程概述

1. 配置模型：

   • 配置对话模型（LLM）和嵌入模型（Embedding Model），支持本地或远程模型。

2. 构建索引：

   • 从文档中提取内容，分块并转换为向量表示，存储在向量数据库中。

3. 构建问答引擎：

   • 结合检索器和生成模型，构建一个能够从索引中检索信息并生成回答的引擎。

4. 创建Agent：

   • 将RAG作为工具集成到ReAct Agent中，使Agent能够动态调用RAG完成任务。

5. 调用Agent：

   • 通过Agent提出问题，Agent会调用RAG工具检索信息并生成回答。