- 综合排序
- 最热优先
- 最新优先
OpenClaw 的Agent记忆与 RAG 有何区别？
那RAG是什么呢？ RAG就像给AI配了个图书馆。你问问题，它去文档库里翻资料，找到相关内容后塞进上下文里给你答案。 Agent记忆和RAG，压根不是一回事 先简单说说OpenClaw是什么。 这个项目2026年1月突然爆火，经历了三次改名——从Clawd Bot到MoltBot，最后定名OpenClaw。 很多人把Agent记忆和RAG混为一谈，觉得它们都是“让AI知道更多东西”。其实两者解决的是完全不同的问题。 我给你一个公式，看完你就懂了： AI Agent = 大模型(思考) + Memory(记忆) + RAG(知识) + MCP(手脚) + Skills(经验) RAG解决的是知识的问题——它给AI配了个外部知识库 结语 RAG是好人，帮你查资料；Agent记忆是知己，记住你是谁。 两者不冲突，可以配合使用。但如果你要的是一个真正能帮你干活、能理解你的AI，那记忆这一环省不掉。
1.7K11编辑于 2026-02-28传统 RAG 已淘汰？Agent RAG才是让AI会思考
整体链路封闭，只能被动响应，不能像人类一样推理、纠错、迭代简单来说，传统 RAG 只有 “检索” 和 “生成”，没有思考与行动的闭环。 三、Agent RAG 解法：给 RAG 装上大脑，实现自主推理与迭代优化Agent RAG（智能体检索增强生成）的核心，是为 RAG 赋予推理、规划、工具调度、自我纠错的能力，把一次性流程升级为完整思考链路 最终生成：整合多轮有效信息，输出精准、可靠的业务答案同时，JBoltAI V4.3 还提供Agent 执行步骤可视化，让企业清晰看到 AI 的推理过程，解决 “黑盒问题”，更符合企业级应用的可信与可控要求 作为企业级 Java AI 开发框架，JBoltAI 让 Agent RAG 从技术概念变为可直接落地的产品能力，适配 Java 技术栈的企业系统快速集成与改造。 四、一句话总结传统 RAG 靠 “匹配” 被动应答，容易出错、难扛复杂场景；Agent RAG 靠 “思考” 主动推理，可迭代、可纠错，才是企业级 AI 知识库的未来方向。
23210编辑于 2026-04-29- 来自专栏全栈开发小账本
一篇文章带你了解 RAG 和 RAG Agent
二：什么是AgenticRAGAgenticRAG是将Agent（智能体）的思维能力引入RAG中。1.通俗原理解析如果说RAG是普通考生翻书，AgenticRAG就是一个拥有独立思考能力的研究员。 反思与修正：“刚才查到的资料好像不对，我得重新换个关键词再查一次。”2.看图说话（参考右上角与下方图示）AIAgent（右上方）：拥有Memory（记忆）：记得你刚才说了什么。 Sub-Agents（子代理）：Agent1、2、3分别负责不同的领域（比如一个负责搜本地数据，一个负责搜Google，一个负责云计算）。 从“单打独斗”进化到“团队协作”(Multi-AgentRAG)：图中最下方的Multi-Agent架构展示了未来的趋势：不再是一个超级模型做所有事，而是“大脑（规划者）+手脚（工具人Agent）”的分工协作模式 记忆与规划的重要性：图中明确画出了Memory（长短期记忆）和Planning（规划）模块。这标志着AI系统开始拥有类似人类的“工作记忆”和“事前推演”能力，这是处理复杂任务的关键。
1K11编辑于 2026-01-10 - 来自专栏【腾讯云开发者】
一文搞懂：RAG、Agent与多模态的行业实践与未来趋势
通过RAG、Agent与多模态技术正在重塑AI与现实的交互边界。三者协同演进，不仅攻克了数据时效性、专业适配等核心挑战，更推动行业从效率革新迈向业务重构。 ML-Summit会议大模型内容分布 RAG：大模型的动态知识引擎，解决模型静态知识边界、时效性与可信度问题。 Agent：大模型的智能执行中枢，赋予模型自主规划、决策与工具调用能力。 知识增强（RAG）→ 行为智能（Agent）→ 感知升级（多模态）→ 完整智能体 01 RAG：大模型触手 RAG（Retrieval-Augmented Generation，检索增强生成） 是一种结合信息检索与生成模型的技术 RAG可控处理一种思路 1.3 RAG发展 因多模态数据处理与向量化检索的技术瓶颈，RAG系统的稳定性常受制约，因此推动多模态文档的统一化处理范式与新一代检索架构，成为突破RAG能力边界的两大关键路径 多元信息数据流融合 腾讯视频审核系统融合文本RAG（政策库检索）与多模态内容理解，通过审核Agent实现违规内容主动拦截。
1.9K10编辑于 2025-04-26 - 来自专栏自然语言处理
LLM Agent和 Agentic RAG 的最佳综述
比较分析：传统RAG、Agentic RAG和ADW之间的关键差异。 应用：跨医疗、教育、金融等领域的实际用例。 挑战与未来方向：解决扩展性、伦理AI和多模态集成问题。 图基代理RAG 图基RAG系统通过集成图数据结构进行高级推理，扩展了传统RAG。 6.1 Agent-G：图RAG的代理框架 核心思想：使用图知识库和反馈循环动态分配任务给专业化代理。 探索结合图推理与神经网络的混合方法。 人机协同： 设计直观的界面和工作流，使人类能够有效地与Agentic RAG系统交互。 关注可解释性和以用户为中心的设计。 Agentic RAG: 结合RAG与代理以增强信息检索。 图增强RAG GeAR: 图增强的检索增强生成代理 https://arxiv.org/abs/2412.18431 Agent-G: 一种图检索增强生成的代理框架 https://openreview.net
1.5K11编辑于 2025-01-22 - 来自专栏有文化的技术人
RAG 在实际 Agent 业务中的实现方案
RAG 基础概念 1.1 什么是 RAG？ RAG（Retrieval-Augmented Generation，检索增强生成）是一种将「外部知识检索」与「大语言模型生成」相结合的技术架构。 的 RAG 实现架构 本节详细介绍 trpc-agent-go 框架中 RAG 能力的完整实现，包括知识库构建、同步更新、检索流程和会话集成。 │ │ │ │ │ 检查 4：向量库中该 URI 的文档 ID 是否与新 ──────────────────────────────────────────────────────────────────────────┐ │ 知识库与 运行时注入过滤条件： // 在调用时注入过滤条件 resp, err := agent.Run(ctx, "请假流程是什么？"
29810编辑于 2026-04-09 RAG、LLM、AI Agent到底谁是谁的谁？
上个月和一个做AI创业的朋友聊天，他苦笑着说："我现在面试工程师，三句话都离不开LLM、RAG、AI Agent这几个词，但说实话，我自己对这三个概念也不是特别清楚，就是感觉听起来很厉害。" 原来的LLM就是一个人闭门造车，有了RAG之后，就变成了"先查资料，再回答"的模式。 我见过一个很好的RAG应用案例：一家法律科技公司用RAG技术做法律咨询。 三、AI Agent：让书呆子变成能动手的行动派 如果说LLM是书呆子，RAG是图书管理员，那AI Agent就是一个能计划、会执行、善反思的行动派。 LLM负责思考和推理，RAG负责提供准确的信息，AI Agent负责具体的执行。这就像一个完美的工作团队：聪明的头脑、丰富的信息源、强的执行力。 当然，这个过程也充满挑战。 但当LLM、RAG、AI Agent三者真正协作起来时，这个"未来"就会变得更加触手可及。
36511编辑于 2026-02-02- 来自专栏XINDOO的专栏
Agent设计模式——第 14 章：知识检索（RAG）
这就是允许 RAG 找到相关信息的"智能搜索"，即使用户的措辞与知识库中的文本不完全匹配。 例如，"故障排除"部分将是与"安装指南"分开的块。当用户询问特定问题时，RAG 系统可以检索最相关的故障排除块，而不是整个手册。这使检索过程更快，提供给 LLM 的信息更集中，更与用户的直接需求相关。 如果用户问："我们产品的功能和定价与竞争对手 X 相比如何？"agent 会将此分解为单独的子查询。它会为自己产品的功能、定价、竞争对手 X 的功能和竞争对手 X 的定价启动不同的搜索。 个性化内容推荐：与基本的关键字匹配不同，RAG 可以识别和检索与用户偏好或先前交互在语义上相关的内容（文章、产品），从而提供更相关的推荐。 新闻和时事摘要：LLM 可以与实时新闻源集成。 ## 这设置了与您的 Vertex AI RAG Corpus 的连接。 ## - rag_corpus: 指定您的 RAG Corpus 的唯一标识符。
1.5K10编辑于 2025-10-27 - 来自专栏AgenticAI
Agentic RAG：超越传统RAG与案例分享
RAG 框架不断推陈出新、日新月异，从 Navie RAG、高级 RAG、模块化 RAG，发展到现在的 Graph based RAG，甚至混合高级 RAG 与 GraphRAG 的 HybridRAG 那么，如何在日新月异的 RAG 技术下，开发一种能够不断适应的框架呢？今天，我们将深入探讨 Agentic RAG，这一革命性的方法正在重新定义智能信息检索与生成的边界。 Agentic RAG 引入了一个关键概念：让 Agent 在整个信息检索和生成过程中主动思考和决策。这不仅仅是一个技术术语，而是一种全新的智能工作范式。 1. 根据问题路由到不同的检索器 回退 (Corrective RAG[2]). 如果文档与查询不相关，则回退到网络搜索 自纠错 (Self-RAG[3]). /building-agentic-rag-with-llamaindex/lesson/5/building-a-multi-document-agent
3.4K31编辑于 2025-03-18 - 来自专栏有文化的技术人
静态 RAG 与动态 RAG 技术全解析
❝本文系统介绍静态 RAG 与动态 RAG 的核心原理、技术对比、主流实现方案及代码实践，适合技术选型和深入学习参考。 工作流机制 6.3 SDK 使用 七、技术对比与选型建议 7.1 静态 vs 动态 RAG 7.2 Self-RAG vs CRAG 7.3 选型建议 八、参考资源 一、RAG 技术概述 RAG（Retrieval-Augmented 平台」，不是纯粹的动态 RAG： 模式 说明 「Chat 助手」 静态 RAG，单次检索 + 生成 「Agent 工作流」 动态 RAG，通过 Graph 编排实现多步骤迭代 6.2 Agent 工作流机制 模式 # 创建 Agent（需要先配置工作流 DSL） agent = rag.create_agent( title="智能助手", description="支持多轮检索的助手", ] # 边定义 } } ) # 列出已有 Agent agents = rag.list_agents() 七、技术对比与选型建议 7.1 静态 vs 动态 RAG 维度
38110编辑于 2026-04-09 Agent开发：Java视角下的RAG数据处理
Agent开发：Java视角下的RAG数据处理在构建基于Agent的大模型应用时，检索增强生成（RAG）是连接私有数据与大模型能力的关键桥梁。 然而，我在实践中发现，很多开发者往往将注意力集中在Agent的推理逻辑上，而忽略了数据流入的“第一道关”——数据的处理（ETL）。 本文将深入探讨JavaAgent开发中RAG的数据拆分与入库两大核心环节一、数据拆分：不仅仅是“切一刀”在RAG流程中，分块（Chunking）是最容易被忽视却最致命的环节。 1.核心策略：语义与结构的博弈在目前的实践中，“一刀切”的固定长度分块已被抛弃，现代JavaAgent主要采用以下差异化策略：第一类：必须基于“条目边界”切分。 元数据就是导航：文件名、页码、章节，能存的都存进去，Agent规划时会用到。你现在的Agent在处理长文档时遇到了什么具体问题？欢迎在评论区留言讨论。
18421编辑于 2026-04-24- 来自专栏【腾讯云开发者】
基础知识、 LLM 应用、 RAG 、 Agent 与未来发展
1.2 LLM 与 NLP 的关系 &LLM 的基本特点 1.2.1 LLM 与 NLP 到底啥关系 三金哥：这个还真有点难到我了。 三金哥：你别说，仔细想想，上图中的创作与生成、多模态、文本处理、数据分析与观察这些都可以通过问答的形式来与 LLM 进行交互。 大师兄：没错。 文章中提到：混元不仅升级 Embedding 索引服务，还支持用户通过自定义编排和 Agent 表单引导功能，将知识检索与大模型相结合，让用户可轻松定制大模型交互流程，无需复杂编程，迅速构建智能应用，助力大模型充分利用本地知识库 集成外部资源和工具：如果需要，将 Agent 与外部数据库、API 或其他工具集成，以扩展其功能和能力。 训练和优化：在实际数据上训练 Agent，并根据反馈进行迭代优化，以提高其性能和准确性。 Planning（规划）：让 Agent 自行规划任务执行的工作流路径，面向于简单的或一些线性流程的运行。这包括子目标分解、反思与改进，将大型任务分解为较小可管理的子目标处理复杂的任务。
10K310编辑于 2024-07-19 - 来自专栏Rust
｜RAG 让 Agent 变成真正的IT 专家
一、没有 RAG 的 Agent 会怎样？ 假设用户问了一个问题： "公司内网的 VPN 连接不上，错误代码 807，怎么办？" 没有 RAG 的回答 Agent：您好，VPN 连接问题可能有多种原因，建议您： 1. 检查网络连接 2. 重启 VPN 客户端 3. 联系 IT 部门 如需更多帮助，请提供详细信息。 有 RAG 的回答 Agent：您好！错误代码 807 通常表示 VPN 连接超时。根据公司 IT 手册，建议您： 解决方案： 1. 检查防火墙设置，确保允许 VPN 连接 2. 区别： 有 RAG 的 Agent 能从知识库中找到具体的解决方案，回答更准确、更有用！ 二、RAG 是什么？ 效果对比 - 有 RAG vs 没 RAG 的回答区别 下一篇预告：为什么选 Rust 写 Agent 我们会总结整个项目，展示完整效果，并讲解 Rust 在 Agent 场景的优势。
18310编辑于 2026-05-06 - 来自专栏深度学习与python
解码RAG：智谱 RAG 技术的探索与实践
本文整理自 2024 年 5 月 AICon 北京站 【RAG 检索与生成落地实践】专题的同名主题分享。 另外，即将于 8 月 18-19 日举办的 AICon 上海站同样设置了【RAG 落地应用与探索】专题，我们将深入探讨 RAG 的最新进展、成果和实践案例，详细分析面向 RAG 的信息检索创新方法，包括知识抽取 为此，智谱 AI 组建了一支专业团队，专注于打造企业服务场景的 RAG 系统，致力于为客户提供全面的支持与服务。 那么使用 RAG，有哪些优势呢？ 我们总结有以下几个方面： 与直接跟大模型对话的方法相比，RAG 可以更好地解决模型的幻觉、知识更新不及时等问题。 与传统的 FAQ 或者搜索的方式相比，RAG 可以显著降低实施成本。 智谱 AI 将继续致力于 RAG 技术的探索与实践，为企业在更多的领域落地大模型应用，提供更加智能、高效的服务体验。
1.3K22编辑于 2024-06-27 - 来自专栏架构进阶
大模型RAG：文档分块方案与RAG全流程
一 RAG与文本分块1.1 为什么要文档分块 在上一篇文章《大模型RAG：基于PgSql的向量检索》中，简单介绍了RAG概念和简要实现。在实际的应用中，技术方案远不会这样简单。 此拆分器可与分块管道中的其他文本拆分器结合使用。 四 从文档角度出发的RAG技术方案 从文档角度出发，RAG流程中的各个主要环节如下：关键概念说明：RAPTOR：RAPTOR模型提出了一种创新的策略。 GraphRAG仍然沿袭了RAG的思路，即通过检索来增强模型的准确性。 不过，与RAG不同的是，GraphRAG还引入了“知识图谱”(Knowledge Graph)技术，以增强模型的“检索”能力，以实现对复杂信息的高效和可靠检索，从而提高LLM问答系统对于复杂信息的答案生成的准确性
2.2K23编辑于 2025-02-28 一文讲清如何做好Workflow、RAG、Agent、Agentic RAG的技术选型！干货满满，不要错过
书接上文：“AI大佬”：未来是Agent的，Workflow和影刀RPA是垃圾 上周我们强调了Workflow的重要性，私下又有很多粉丝找过来，一定让我聊聊Workflow、RAG与Agent之间的关系 按照我之前的定义，他们依次对应着算法、数据与泛化能力，说人话的话是： Workflow解决布置问题，让任务可控、步骤一步步执行； RAG让模型拿到需要的数据； Agent让系统复杂度降低，具备部分自主能力 拒答阈值；转人工条件；对“可答但缺信息”设置最小追问集 RAG问题太过复杂，我们这里稍微点一下就好，应该足够清晰描述他与Workflow的关系了，最后就是Agent了： unsetunsetAgentunsetunset 我们最后说下Agent 与 RAG 的关系： Agentic RAG 传统的RAG在使用过程中，大家慢慢发现一些问题： 先查向量库； 再 Top-K； 然后塞 Prompt； 最后生成； 流程非常清楚， 所以你会发现一个非常重要的分工变化： Agent 不“干活”，Agent 负责“指挥谁干活”。 很多人开始以为Agentic RAG是一种“新的RAG形态”，但你仔细拆就会发现： 数据怎么存？
71810编辑于 2026-04-14llm与RAG的学习与优化
本文首发个人博客：llm与RAG的学习与优化 - 黑白の世界欢迎点击，评论前言这是一篇拖延了半年的文章。 年初有计划做一下基于LLM大模型的应用，正好公司有业务需求，于是学习了一下RAG的相关知识，一边看字节开源的 eino 框架学习开发，一边补充这 agent，mcp，rag相关的知识。 这是提升RAG效果最有效的手段之一。结语以上内容大概就是笔者最近在大模型学习，RAG开发与特定领域向量数据库构建业务中的一些总结与优化心得。同时不禁感叹，大模型从22年到如今的发展迅速。 可以看到本文在谈到RAG调优的格式突然有些变化。因为到这里笔者有些懒了，手写了思路与大纲后，直接让AI优化，然后再手改一番。本文还只是单纯的 RAG知识库，或者说向量数据库的相关技术点。 下一篇就谈一谈 ai agent 与 mcp 吧
63610编辑于 2025-09-01- 来自专栏自然语言处理
RAG与CAG的较量与融合
检索增强生成 (RAG) 已成为智能系统的基石，将大规模外部知识库与语言生成模型连接起来。 架构：RAG 和 CAG 的背景 检索增强生成 (RAG) RAG 将大型语言模型 (LLM) 与外部检索机制集成在一起，以动态整合来自广泛数据存储库的上下文相关信息。 可扩展性：与外部知识库的无缝集成，实现持续的领域扩展。 核心限制： 延迟：外部数据检索本质上会引入延迟，从而影响实时响应能力。 架构复杂性：需要复杂的管道进行索引、检索和无缝集成。 主要优势： 减少延迟：缓存数据访问消除了与外部调用相关的延迟。 架构简单：简化的设计有利于更快部署并减少维护。 成本效益：消除外部数据检索的经常性成本。 基本概要 ⚖️ RAG 与 CAG 的比较分析 数据来源 RAG：外部数据库、API 和实时存储库确保广泛的数据覆盖。 CAG：结构化的内部缓存提供快速访问，但受到预定义范围的限制。
38710编辑于 2025-02-03 - 来自专栏红队蓝军
java agent使用与agent内存马
什么是java agent 本质是一个jar包中的类，有两种实现，第一种是通过permain()函数实现。 javaagent会在宿主程序的main函数的启动前启动自己premain函数，这时候会得到一个Instrumentation对象，我们可以通过Instrumentation对象对还未加载的class进行拦截与修改 agent基础使用 环境搭建 agent项目源码 agent： package com.naihe; import java.io.IOException; import java.lang.instrument 并没有使用字节码相关的库 二，修改MANIFEST.MF 使用解压工具打开MANIFEST.MF，并修改内容 Premain-Class: com.naihe.agent Agent-Class: com.naihe.agent : com.naihe.agent Agent-Class: com.naihe.agent Can-Redefine-Classes: true Can-Retransform-Classes: true
1.6K20编辑于 2022-04-13 - 来自专栏红队蓝军
java agent使用与agent内存马
什么是java agent 本质是一个jar包中的类，有两种实现，第一种是通过permain()函数实现。 javaagent会在宿主程序的main函数的启动前启动自己premain函数，这时候会得到一个Instrumentation对象，我们可以通过Instrumentation对象对还未加载的class进行拦截与修改 agent基础使用 环境搭建 agent项目源码 agent： package com.naihe; import java.io.IOException; import java.lang.instrument 使用解压工具打开MANIFEST.MF，并修改内容 Premain-Class: com.naihe.agent Agent-Class: com.naihe.agent Can-Redefine-Classes 命名为agent2 打包好的jar就在如下位置 修改MANIFEST.MF 老样子在前面添加 Premain-Class: com.naihe.agent Agent-Class: com.naihe.agent
1.5K10编辑于 2022-05-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号