从Naive RAG到Agentic RAG：基于Milvus构建Agentic RAG - 链载Ai

检索增强生成（Retrieval-Augmented Generation, RAG）作为应用大模型落地的方案之一，通过让 LLM 获取上下文最新数据来解决 LLM 的局限性。典型的应用案例是基于公司特定的文档和知识库开发的聊天机器人，为公司内部人员快速检索内部文档提供便利。另外，也适用于特定领域的GenAI应用，如医疗保健、金融和法律服务。尽管Naive RAG在处理简单问题时表现良好，但在面对复杂任务时却显得力不从心。本文将探讨Naive RAG的局限性，并介绍如何通过引入代理（Agentic）方法来提升RAG系统的智能性和实用性。

01.

Naive RAG的局限性

Naive RAG方法在处理简单问题时表现良好，例如：

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;">
“特斯拉的主要风险因素是什么？”（基于特斯拉2021年10K报告）
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;">
“Milvus 2.4有哪些功能？”（基于Milvus 2.4 release note）

然而，当面对更复杂的问题时，Naive RAG的局限性就显现出来了。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;">
总结性问题：例如，“给我一个公司10K年度报告的总结”，Naive RAG难以在不丢失重要信息的情况下生成全面的总结。
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;">
比较性问题：例如，“Milvus 2.4 与Milvus 2.3 区别有哪些”，Naive RAG难以有效地进行多文档比较。
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;">
结构化分析和语义搜索：例如，“告诉我美国表现最好的网约车公司的风险因素”，Naive RAG难以在复杂的语义搜索和结构化分析中表现出色。
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;">
一般性多部分问题：例如，“告诉我文章A中的支持X的论点，再告诉我文章B中支持Y的论点，按照我们的内部风格指南制作一个表格，然后基于这些事实生成你自己的结论”，Naive RAG难以处理多步骤、多部分的复杂任务。

02.

Naive RAG上述痛点的原因

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;">
单次处理：Naive RAG通常是一次性处理查询，缺乏多步骤的推理能力。
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;">
缺乏查询理解和规划：Naive RAG无法深入理解查询的复杂性，也无法进行任务规划。
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;">
缺乏工具使用能力：Naive RAG无法调用外部工具或API来辅助完成任务。
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;">
缺乏反思和错误纠正：Naive RAG无法根据反馈进行自我改进。
无记忆（无状态）：Naive RAG无法记住对话历史，无法在多轮对话中保持上下文一致性。

03.

从RAG到Agentic RAG

为了克服Naive RAG的局限性，我们可以引入代理方法（Agentic），使RAG系统更加智能和灵活。

路由

路由是最简单的代理推理形式。给定用户查询和一组选择，系统可以输出一个子集，将查询路由到合适的处理模块。

工具

调用外部工具或API来辅助完成任务。比如，使用查询天气接口来获取最新的天气信息。

查询/任务规划

将查询分解为可并行处理的子查询。每个子查询可以针对任何一组RAG管道执行，从而提高处理效率和准确性。

反思

使用反馈来改进代理的执行并减少错误，反馈可以来自LLM自身。

记忆

除了当前查询外，还可以将对话历史作为输入，纳入RAG管道中，从而在多轮对话中保持上下文一致性。

04.

实践

我们基于Milvus，LlamaIndex构建一个Agentic RAG案例。

首先，我们把Milvus 2.3 和 2.4 release note文档，通过LlamaIndex SentenceWindowNodeParser分段之后，导入到Milvus。

node_parser=SentenceWindowNodeParser.from_defaults(
window_size=3,
window_metadata_key="window",
original_text_metadata_key="original_text",
)

#Extractnodesfromdocuments
nodes=node_parser.get_nodes_from_documents(documents)

vector_store=MilvusVectorStore(dim=1536,
uri="http://localhost:19530",
collection_name='agentic_rag',
overwrite=True,
enable_sparse=False,
hybrid_ranker="RRFRanker",
hybrid_ranker_params={"k":60})

storage_context=StorageContext.from_defaults(vector_store=vector_store)

index=VectorStoreIndex(
nodes,
storage_context=storage_context
)

然后，我们定义两个agent tool，他们分别是vector query tool 和summary tool。vector query tool利用了Milvus Hybrid search能力。summary tool采用了 LlamaIndex的 SummaryIndex 对于文档块提取summary。

defvector_query(
query:str,
page_numbers:Optional[List[int]]=None
)->str:
#Thetargetkeydefaultsto`window`tomatchthenode_parser'sdefault
postproc=MetadataReplacementPostProcessor(
target_metadata_key="window"
)
#BAAI/bge-reranker-baseisacross-encodermodel
#link:https://huggingface.co/BAAI/bge-reranker-base
rerank=BGERerankFunction(
top_n=3,
model_name="BAAI/bge-reranker-base",
device="cpu"
)

#TheQueryEngineclassisequippedwiththegeneratorandfacilitatestheretrievalandgenerationsteps
query_engine=vector_index.as_query_engine(
similarity_top_k=3,
vector_store_query_mode="hybrid",#Milvusstartssupportingfromversion2.4,use'Default'forversionsbefore2.4
node_postprocessors=[postproc,rerank],
)

response=query_engine.query(query)
returnresponse


vector_query_tool=FunctionTool.from_defaults(
name=f"vector_tool_{name}",
fn=vector_query
)

summary_index=SummaryIndex(nodes)
summary_query_engine=summary_index.as_query_engine(
response_mode="tree_summarize",
use_async=True,
)
summary_tool=QueryEngineTool.from_defaults(
name=f"summary_tool_{name}",
query_engine=summary_query_engine,
description=(
f"Usefulforsummarizationquestionsrelatedto{name}"
),
)

最后，通过LlamaIndex的ReActAgentWorker整合vector query tool 和summary tool，以及React的特性，反思，路由以及使用工具能力，实现Agentic RAG。

response=agent.query(
"Tellmeaboutthedifferencebetweenmilvus2.3andmilvus2.4?"
)

这是对于上述问题的思考过程，包括React的观察，思考，行动具体步骤。

Thought:TheuserisaskingaboutthedifferencesbetweenMilvus2.3andMilvus2.4.Ineedtogatherinformationaboutbothversionstoprovideacomprehensivecomparison.
Action:vector_tool_milvus_2_3
ActionInput:{'query':"What'snewinMilvus2.3?"}
Thought:Itappearsthereisapersistentissuewiththetoolinput.Iwilltryusingadifferenttooltogatherthenecessaryinformation.
Action:summary_tool_milvus_2_3
ActionInput:{'input':"What'snewinMilvus2.3?"}
Observation:Milvus2.3introducesseveralnewfeaturesandenhancements,includingGPUsupport,Arm64support,arefactoredQueryNode,andamergedIndexCoordandDataCoordforsimplifieddeployment.ItalsoincludesanewNATS-basedmessagequeue,upsertAPI,rangesearch,countstatement,cosinemetrics,rawvectorsinsearchreturns,ScaNNindexsupport,iteratorfunctionality,JSON_CONTAINSexpressions,andCDCsupport.Additionally,thereareperformanceimprovementssuchasMMapforcapacityincrease,optimizeddatafiltering,growingindex,andincreasedresourceusageinmulti-coreenvironments.Thereleasealsofeaturesanewloadbalancer,dynamicconfigurationsupport,tracingsupport,reorganizederrorcodes,andupgradedtoolslikeBirdwatcherandAttu.
Thought:IhavegatheredinformationaboutthenewfeaturesandenhancementsinMilvus2.3.Now,IneedtogathersimilarinformationforMilvus2.4tocomparethetwoversions.
Action:summary_tool_milvus_2_4
ActionInput:{'input':"What'snewinMilvus2.4?"}
Observation:Milvus2.4introducesseveralnewfeaturesandimprovements.Keyhighlightsinclude:
...
Theseupdatesaimtoenhancesystemperformance,improveobservability,andstreamlinethecodebaseforincreasedsimplicity.
Thought:InowhavedetailedinformationaboutthenewfeaturesandenhancementsinbothMilvus2.3andMilvus2.4.Icancomparethetwoversionsbasedonthesedetails.

输出的答案，从答案来看，不仅详细列举了Milvus 2.3 和Milvus 2.4各种功能特性，还有功能总结与对比。

Answer:Milvus2.3andMilvus2.4bothintroducesignificantnewfeaturesandimprovements,buttheyfocusondifferentaspectsofthesystem.Herearethekeydifferences:

###Milvus2.3:
1.**GPUandArm64Support**:IntroducesGPUsupportandArm64support.
2.**RefactoredQueryNode**:SimplifiesdeploymentbymergingIndexCoordandDataCoord.
3.**NewMessageQueue**:ImplementsaNATS-basedmessagequeue.
4.**NewAPIsandFeatures**:IncludesupsertAPI,rangesearch,countstatement,cosinemetrics,rawvectorsinsearchreturns,ScaNNindexsupport,iteratorfunctionality,JSON_CONTAINSexpressions,andCDCsupport.
5.**PerformanceImprovements**:FeaturesMMapforcapacityincrease,optimizeddatafiltering,growingindex,andincreasedresourceusageinmulti-coreenvironments.
6.**LoadBalancerandDynamicConfiguration**:Introducesanewloadbalanceranddynamicconfigurationsupport.
7.**ToolUpgrades**:UpgradestoolslikeBirdwatcherandAttu.

###Milvus2.4:
1.**NewGPUIndex-CAGRA**:Introducesastate-of-the-artGPU-basedgraphindexforsignificantperformanceboosts.
2.**Multi-vectorandHybridSearch**:Supportsstoringvectorembeddingsfrommultiplemodelsandconductinghybridsearches.
3.**SparseVectors**:Supportsefficientapproximatesemanticnearestneighborsearchforkeywordinterpretationandanalysis.
4.**GroupingSearch**:Allowsaggregationofsearchresultsbyspecificscalarfields.
5.**InvertedIndexandFuzzyMatch**:Improvesscalarqueryperformanceandsupportsfuzzymatches.
6.**NewDataTypes**:SupportsFloat16andBFloat16vectordatatypes.
7.**L0Segment**:Enhancesperformanceofdeleteandupsertoperationsbyrecordingdeleteddata.
8.**RefactoredBulkInsert**:Improveslogicforimportingmultiplefilesinasinglerequest.
9.**Memory-mappedStorage**:Optimizesmemoryusagebymappingfilecontentintomemory.
10.**Milvus-CDC**:Improvesstabilityforcapturingandsynchronizingincrementaldata.

###Summary:
-**Milvus2.3**focusesonbroadeninghardwaresupport,enhancingdeploymentsimplicity,andintroducingvariousnewAPIsandperformanceimprovements.
-**Milvus2.4**emphasizesadvancedsearchcapabilities,newdatatypes,improvedmemorymanagement,andfurtherperformanceoptimizations.

Bothversionsaimtoenhancesystemperformanceandusability,butMilvus2.4introducesmoreadvancedsearchfeaturesandoptimizationscomparedtoMilvus2.3.

05.

结论

从Naive RAG到Agentic RAG的转变，标志着检索增强生成技术的一个重要进步。通过引入代理（Agentic）方法，我们可以显著提升RAG系统在处理复杂任务时的能力。这不仅使得RAG系统更加智能和灵活，也为其在实际应用中提供了更广阔的前景。未来，我们可以期待更多基于Agentic RAG的创新应用，推动大模型技术的发展。