21 / 21
- 圖譜提取(Graph Exxtraction)將資料來源切成Chunks，然後提取實體和(Entities)關係(Relationships)，最後彙整實體和關係來進行分類，形成知識圖譜…
- 模組化 RAG (Modular RAG)它很像樂高積木，每個模組獨立運作，但可以建構成一個靈活可用的系統，它打破傳統RAG「檢索 生成」的單線流程，像是 重寫 檢索 生成、生成 閱…
- Adaptive Agentic RAGStraightforward Queries(直接查詢) Simple Queries Complex Queries(複雜查詢) Cla…
- Advanced RAG(高級 RAG)優化Naive RAG「檢索」和「生成」階段 改進： 預檢索優化（Pre Retrieval）： 索引優化：改進索引結構讓檢索更高效 查詢優…
- Agentic Corrective RAGDocument Relevance Evaluation(文件相關性評估) Query Refinement and Augmentati…
- Agentic RAG(代理型 RAG)傳統RAG和AI Agent概念的創新架構 特徵： 自主決策：具備反思、規劃、工具調用等功能，提供管理檢索策略 迭代改進：引入回饋迴路，以提…
- AI AgentLLM,Memory,Planning,Tools Vector Search,Web Search,APIs,etc. Tool Use(…
- Evaluator-Optimizer(評估者-優化者)就像有兩個人，一個是作家，一個是編輯，當作家寫好稿之後，編輯會看，然後給作家回饋和建議，然後作家再改，反覆循環，直到滿意為止 什麼時候使用：…
- Graph RAG (圖譜 RAG)利用資料結構裡面的圖擴展傳統的RAG，它的流程是從原始文件提取知識圖譜，建立社群層級結構 特徵： 節點連結性（Node Connectivi…
- Hierarchical Agentic RAG Systems工作流程： Query Reception(查詢接收) Strategic Decision Making(策略決策) Delegation…
- Multi-Agent Agentic RAG Systems工作流程： Query Submission Specialized Retrieval Agents(專用檢索代理) 可能會有好幾個代理去…
- Multi-Agent(多代理協作)就是現在每個Agent都一個專業領域的專家，現在這些人在一個團隊，如果有問題，會把問題給專門的專家回答，分工合作 Multi Agent A…
- Naïve RAG(基礎型 RAG)技術核心： 這是 RAG 的最初始形式，採用傳統的「檢索 閱讀」工作流程 原理： 索引（Indexing）：將原始資料轉成統一格式並分割資料…
- Orchestrator-Workers(協調者-執行者)就像有一個新專案會先給PM(專案經理)，它會看裡面的每個任務，會看情況動態決定：「今天需要找工程師和設計師開會」，而不是死板的流水線，所以它…
- Parallelization(平行化)把問題丟給每個LLM做處理，然後最後去做統整 它分為分段式(Sectioning)跟投票式(Voting) 分段式(Sectioning)：…
- Planning(規劃)它是整個流程核心的設計，它會去把複雜的問題拆解成很多個小問題或簡單的問題，讓整個流程可以按照這些小問題來把複雜的問題給解決 Orchestr…
- Prompt Chaining(提示鏈)它就像工廠的流水線，流程固定，一條直直的過去，但是速度太慢 Routing(路由) Parallelization(平行化) Orchest…
- Reflection(反思)這是整個流程最基礎的設計，它會去反思(自我回饋)或是評估這個答案是否正確或是否為最佳化，它就會一直去迭代，若過程中有錯誤它就會去改進，最後輸…
- Routing(路由)會對於問題進行分類，並把相對應的問題丟給相應的LLM處理，提高效率與回應品質 就像醫院會把病人做檢傷分類，把對應的傷給對應的醫生看 Sing…
- Single-Agent Agentic RAG! Router工作流程： Query Submission and Evaluation(查詢提交和評估) Knowledge Source Select…
- Tool Use(工具使用)有時候LLM可能沒有這個問題的答案或是沒有預訓練到這個部分，它就可以調用外部工具、API、或是其他工具來提供更準確的答案 function …