时间线

Agent一般包括ReAct、Plan and solve、Reflection几种模式 ReAct是在cot中加入行动的环节，让LLM在每次回答后继续思考，重复循环直到达成最终答案，既能看见过程也能动态使用外部工具

RAG主要解决三个问题，第一个是LLM训练数据有期限，不能实时进行解答；第二个是私有知识覆盖，LLM无法对其进行解析，第三个是LLM出现幻觉，对于一个错误的答案，AI可能给出一个看似正确实则错误的说法，添加知识库可有效解决这个问题。 这里说明一个LLM微调和RAG检索库的区别 两者本质都是解决大模型

RAG(Retrieval-Augmented Generation),检索增强生成，就是在LLM生成答案前从向量库中搜索匹配度高的答案和提示词一并交给LLM，随即生成更加符合且准确的答案，本质上解决LLM不能处理上下文的问题、知识固定化的问题。

Agent范式包括React、Plan and solve、Reflection。 Agent是自主调用工具根据记忆执行操作，自主性强，可控复杂度大；Workflow是根据程序员自己的逻辑执行代码，调用LLM按照规定好的逻辑进行执行，可控度高。 实际工程中多是两种混用，需要固定流程时使用Workfl

如果你看到了这一篇文章，那么证明你已经安装成功了，感谢使用 Halo 进行创作，希望能够使用愉快。