AI 中的 RAG（Retrieval-Augmented Generation）、Agent 和 Workflow 是三种不同的概念，它们分别解决不同的问题，常在构建智能系统时协同使用。

三者主要区别

以下是它们的定义、区别及应用场景：

一、 RAG（Retrieval-Augmented Generation）

     RAG技术（Retrieval Augmented Generation，检索增强生成）是一种结合了信息检索技术与语言生成模型的人工智能技术，旨在通过从外部知识库中检索相关信息，并将其作为提示输入给大型语言模型（LLMs），以增强模型处理知识密集型任务的能力。 

      RAG技术主要包括三个核心部分：检索（Retrieval）、增强（Augmentation）和生成（Generation）。

 1、检索

   从预先建立的知识库中检索与用户查询相关的信息。这一步骤的目的是为后续的生成过程提供有用的上下文信息和知识支撑。检索模块通常依赖于向量检索技术，如倒排索引、BM25算法或基于深度学习的Dense Passage Retrieval（DPR）。

 2、增强

   将检索到的信息用作生成模型（即大语言模型）的上下文输入，以增强模型对特定问题的理解和回答能力。这一步的目的是将外部知识融入生成过程中，使生成的文本内容更加丰富、准确和符合用户需求。

 3、生成

   结合LLM生成符合用户需求的回答。生成器会利用检索到的信息作为上下文输入，并结合大语言模型来生成文本内容，最终输出准确、有用的回答。

一个典型的 RAG 案例如图所示。如果我们向 ChatGPT 询问 OpenAI CEO Sam Atlman 在短短几天内突然解雇随后又被复职的事情。由于受到预训练数据的限制，缺乏对最近事件的知识，ChatGPT 则表示无法回答。RAG 则通过从外部知识库检索最新的文档摘录来解决这一差距。在这个例子中，它获取了一系列与询问相关的新闻文章。这些文章，连同最初的问题，随后被合并成一个丰富的提示，使 ChatGPT 能够综合出一个有根据的回应。

图1  RAG 技术在 QA 问题中的案例

RAG 技术范式发展

   RAG 的概念首次于 2020 年被提出，随后进入高速发展。RAG 技术的演进历程如图所示，相关研究进展可以明确地划分为数个关键阶段。在早期的预训练阶段，研究的焦点集中在如何通过预训练模型注入额外的知识，以此增强语言模型的能力。随着 ChatGPT 的面世，对于运用大型模型进行深层次上下文学习的兴趣激增，这推动了 RAG 技术在研究领域的快速发展。随着 LLMs 的潜力被进一步开发，旨在提升模型的可控性并满足不断演变的需求，RAG 的研究逐渐聚焦于增强推理能力，并且也探索了在微调过程中的各种改进方法。特别是随着 GPT-4 的发布，RAG 技术经历了一次深刻的变革。研究重点开始转移至一种新的融合 RAG 和微调策略的方法，并且持续关注对预训练方法的优化。

 图2  RAG 技术发展的科技树

RAG 的生态

RAG 的应用已经不仅仅局限于问答系统，其影响力正在扩展到更多领域。现在，推荐系统、信息抽取和报告生成等多种任务都开始受益于 RAG 技术的应用。与此同时，RAG 技术栈也在井喷。除了已知的 Langchain 和 LlamaIndex 等工具，市场上涌现出更多针对性的 RAG 工具，例如：用途定制化，满足更加聚焦场景的需求；使用简易化，进一步降低上手门槛的；功能专业化，逐渐面向生产环境。

                                                                                           图3  RAG 的生态系统概览

二、 Agent

AI Agent 是一种能够基于任务目标执行多步骤动作的系统，它能通过调用工具、API 或知识库，动态规划并完成复杂任务。Agent 具备一定程度的自主决策能力。

                                                           图4  LLM-based Agent的概念框架

  AI 智能体，严格意义上说更应该是一个具备智能的系统，能够理解复杂任务，利用LLM的规划能力将其拆解为子任务，并利用LLM的知识和工具调用能力来完成任务。

在这个系统中，LLM充当大脑的角色，负责统筹全局，进行决策处理，自动协调系统内的各个组件。

AI Agent的主要特点包括：

  1. 自主性：AI Agent能够在没有外部干预的情况下，根据其内部目标和规则进行决策和行动。

  2. 感知能力：AI Agent可以通过各种传感器或数据接口获取环境信息，并处理这些信息以进行决策。

  3. 学习能力：AI Agent可以根据经验和数据进行学习，从而改进其决策和行动策略，提高任务完成的效率和准确性。

  4. 适应性：AI Agent可以根据环境变化调整其行为，以应对不同的情况和挑战。

哪些场景需要智能体？

     在面对需要多种能力才能完成的任务，且需要借助LLM强大的推理决策能力时，就需要智能体了，基于LLM来决策使用各种内置能力，或是设置多个智能体，通过相互协作，最终来完成用户任务。

智能体在多个场景中都有广泛应用，主要包括以下几个方面:

1、客户服务：智能体可以通过自然语言处理和机器学习技术，自动回答客户的咨询问题、处理订单问题和退货请求，提高客户服务的效率，减少用户的等待时间。

2、物流和供应链管理：在物流领域，智能体可以优化库存管理、路线规划和调度，提高物流效率。例如，自主库存跟踪智能体可以通过监控市场趋势和需求模式来预测库存水平，防止缺货情况；送货车队的路线优化智能体可以根据天气、交通和燃油效率来分配送货路线。

3、医疗保健‌：智能体可以用于自主预约安排和患者管理，提高医疗保健工作流程的效率。例如，AI驱动的日程安排助手可以根据患者可用性、临床医生的日程安排和诊所资源自动预约，确保患者护理的连续性。

4、‌金融‌：在金融领域，智能体可以用于欺诈检测和自主交易系统。欺诈检测智能体可以识别可疑交易，防止欺诈活动；自主交易系统可以在高频交易中快速分析市场并执行交易，降低风险。

5、电商‌：智能体在电商领域的应用包括个性化推荐系统、智能客服与支持、语音助手与购物体验以及内容生成与营销。个性化推荐系统可以根据用户的购物历史和偏好提供精准推荐，提高用户满意度和销售额；智能客服可以自动回答用户咨询，处理订单问题；语音助手可以让用户通过语音命令购物，提升购物便捷性；内容生成与营销可以帮助企业生成吸引人的产品描述和营销文案。

6、‌研发‌：在研发领域，智能体可以提供代码预测续写、注释生成代码、智能代码评审等功能，显著提升研发效率。‌

7、协同办公：智能体可以实现消息、会议、文档和邮件的智能化管理，提升办公效率。

三、 Workflow

  Workflow是一组有序的步骤，用于执行某个固定任务‌，通常是预先定义的，适合高度结构化的流程。Workflow的核心特点在于每个步骤都有明确的顺序和依赖关系，确保任务能够按照既定的规则和顺序高效执行。应用场景包括文档审批流程、数据管道处理等。优点于执行结果通常是可预测和一致的，适合处理结构化、重复性任务。

                       图5 工作流程示意图

Workflow的特点包括：

 固定性：流程步骤固定且明确，适合标准化、重复性高的任务。

   稳定性：执行过程稳定可靠，易于监控和管理。

   模块化：各组件功能独立，便于添加新工具或能力。

 Workflow引擎是其核心组成部分，负责解释、执行和管理整个工作流的运行。

应用场景有：

  文档审批流程：如合同从起草到签署的固定步骤

  数据管道处理：如从数据采集到清洗、分析的自动化流程

  持续集成/部署：如软件开发中自动化构建、测试、部署