杨亦诚，英特尔高级 AI 工程师

背景

RAG系统的全称是Retrieval-augmented Generation，本质上是Prompt Engineering，通过在Prompt中注入检索得到的外部数据，可以有效地解决大语言模型在知识时效性和专业性上的不足。但同时传统的RAG系统也有它的缺陷，例如灵活性较差，由于RAG会过分依赖于向量数据库的检索结果，导致其在解决一些复杂问题的时候，只是一味地 “搬运” 检索结果，无法通过推理找到更优的解决途径，此外随着向量数据库的规模增大，传统RAG也无法高效对输入请求进行分类和过滤，导致检索过程犹如 “大海捞针” ，费时费力。

图：Agentic-RAG系统示例

而基于AI智能体的RAG系统（以下简称Agentic-RAG）恰好可以解决传统RAG在灵活性上的不足，它通过将多个不同类别的RAG检测器，以工具的形式集成在AI智能体中，让AI智能体根据用户的请求，判断是否需要调用RAG搜索上下文，以及调用哪个RAG工具进行检索，例如在回答一个历史相关的问题时，Agentic-RAG就会优先在历史类的RAG检索器中搜索答案，又或是在回答一个涉及数学计算的问题时，Agentic-RAG则不会使用RAG，而是调用数据计算相关的工具，甚至如果LLM本身具备一定的数据运算能力话，则完全不需要调用外部工具，直接输出答案。当然我们也可以将RAG和其他外部工具结合起来，协同解决更复杂的问题，如上图所示，在这个过程中，AI智能体会将任务拆解后，在每个步骤中分别调用不同的工具，或是RAG组件来输出最终答案。接下来我么就一起看下如何利用OpenVINO^TM和LlamaIndex工具来构建一个Agentic-RAG系统。

· 完整示例：https://github.com/openvinotoolkit/openvino_notebook***lob/latest/notebooks/llm-rag-llamaindex/llm-rag-llamaindex.ipynb

第一步：模型转换与量化

LLM和Embedding模型是RAG系统中必要的组件，这里我们可以通过Optimum-intel CLI分别把他们转化为OpenVINO的IR格式，并进行量化压缩。

· 安装方法：

pip install optimum[openvino]

· LLM：

optimum-cli export openvino --model {llm_model_id} --task text-generation-with-past --trust-remote-code --weight-format int4 {llm_model_path}

· Embedding：

optimum-cli export openvino --model {embedding_model_id} --task feature-extraction {embedding_model_path}

第二步：模型任务初始化

目前基于OpenVINO的LLM，Embedding以及Reranker任务均已被集成在LlamaIndex框架中，开发者可以非常方便地利用导出的LLM和Embedding模型，将这两类任务在LlamaIndex中进行初始化。

· 安装方法：

pip install llama-index llama-index-llms-openvino llama-index-embeddings-openvino

· LLM：

from llama_index.llms.openvino import OpenVINOLLM


llm = OpenVINOLLM(
    model_name=str(llm_model_path),
    tokenizer_name=str(llm_model_path),
    context_window=3900,
    max_new_tokens=1000,
    model_kwargs={"ov_config": ov_config},
    device_map=llm_device.value,
    completion_to_prompt=completion_to_prompt,
)

· Embedding：

from llama_index.embeddings.huggingface_openvino import OpenVINOEmbedding

embedding = OpenVINOEmbedding(folder_name=embedding_model_path, device=embedding_device.value)

第三步：构建RAG工具

接下来我们可以利用初始化后的LLM以及Embedding组件来构建RAG工具。第一步需要在LlamaIndex创建一个标准的RAG检索引擎，为了方便演示，该检索器仅使用默认的向量相似度搜索方式进行上下文过滤，如果想了解更完整的RAG搭建方法，可以参考OpenVINO notebooks仓库中的另一个示例：

https://github.com/openvinotoolkit/openvino_notebooks/tree/latest/notebooks/llm-rag-llamaindex

from llama_index.readers.file import PyMuPDFReader
from llama_index.core import VectorStoreIndex, Settings
from llama_index.core.tools import FunctionTool

Settings.embed_model = embedding
Settings.llm = llm
loader = PyMuPDFReader()
documents = loader.load(file_path=text_example_en_path)
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine(similarity_top_k=2)

在完成RAG检索引擎创建后，可以直接调用LllamaIndex的接口将它包装为一个Agent的工具，如下所示，同时需要添加对该工具的描述，以便LLM判断在什么时候调用什么工具。

from llama_index.core.tools import QueryEngineTool

budget_tool = QueryEngineTool.from_defaults(
    query_engine,
    name="Xeon6",
    description="A RAG engine with some basic facts about Intel Xeon 6 processors with E-cores",
)

此外，为了演示Agentic-RAG对于复杂任务的拆解与多工具间的路由能力，我们还可以再准备两个单独的数学运算工具，供LLM选择。

def multiply(a: float, b: float) -> float:
    """Multiply two numbers and returns the product"""
    return a * b

multiply_tool = FunctionTool.from_defaults(fn=multiply)

def add(a: float, b: float) -> float:
    """Add two numbers and returns the sum"""
    return a + b

add_tool = FunctionTool.from_defaults(fn=add)

第四步：构建Agent任务流水线

因为该示例中用到的Llama3还不支持Function-call，所以这里我们可以创建了一个基于ReAct的Agent。在LlamaIndex中搭建Agent流水线只需要一行代码，通过ReActAgent.from_tools接口可以创建一个基础的ReAct Agent，并将刚才定义好的工具及LLM组件绑定到该Agent中。

agent = ReActAgent.from_tool****ultiply_tool, add_tool, budget_tool], llm=llm, verbose=True)

接下来可以测试下效果，我们向Agent咨询了关于“4颗第六代Xeon  CPU最大线程数“的问题，可以看到Agent首先会调用Xeon 6的RAG系统查询单颗CPU支持的最大线程数，然后再调用数学运算工具将获得的线程数乘以4，最后将得到的数字反馈给用户。

response = agent.chat("What's the maximum number of cores in an Intel Xeon 6 processor server with 4 sockets ? Go step by step, using a tool to do any math.")

Thought: The current language of the user is English. I need to use a tool to help me answer the question.

Action: Xeon6

Action Input: {'input': 'maximum cores in a single socket'}

Observation:

According to the provided context information, the maximum cores in a single socket is 144.

Thought: The current language of the user is English. I need to use a tool to help me answer the question.

Action: multiply

Action Input: {'a': 144, 'b': 4}

Observation: 576

Thought: The current language of the user is English. I can answer without using any more tools. I'll use the user's language to answer

Answer: The maximum number of cores in an Intel Xeon 6 processor server with 4 sockets is 576.

总结和展望

通过将Agent和RAG进行结合，我们直接提升LLM在解决复杂任务时的能力，相较于传统的RAG，Agentic-RAG更具产业落地价值。同时随着多智能体方法的引入，基于Agent的RAG将逐步取代传统RAG系统，实现更灵活，更精确的大语言模型应用业务体系。

参考资料：

· OpenVINO notebook：https://github.com/openvinotoolkit/openvino_notebook***lob/latest/notebooks/llm-rag-llamaindex/llm-rag-llamaindex.ipynb

· OpenVINO LLM in LlamaIndex：https://docs.llamaindex.ai/en/stable/examples/llm/openvino/

· OpenVINO Embedding in LlamaIndex：

https://docs.llamaindex.ai/en/stable/examples/embeddings/openvino/

· OpenVINO Reranker in LlamaIndex：https://docs.llamaindex.ai/en/stable/examples/node_postprocessor/openvino_rerank/