RAG+Agent在实际业务落地案例分享+项目推荐

大模型架构的经典分层，麦克人事代理即：应用层、工具层、模型层 & AI Infra：

应用层 - 大模型应用：主要以 RAG&AI Agent 初代的模式透出，主要的落地场景包括内部数据分析 - GBI 即生成式 BI、研发辅助提效 - 生成式 Code、面向外部用户和小二的知识库问答 - 如 ChatPDF；* 工具层 - 应用构建能力：主要介绍如何高效快速去构建自己场景的大模型应用（重点在 AI Agent 的构建），有应用构建工具 - LangChain， Agent 开发框架如：MetaGPT，MaaS 平台如 ModelScop-Agent&Agents for Amazon Bedrock 等；

模型及基建层 - 大模型优化加速：核心在模型推理加速上的探索，未来以应对有限算力情况下，大模型应用规模化投产的性能和安全性诉求，目前也是业界争相要探索突破的重点；

AI Agent 是当前业界在大模型应用方面主要研究的方向，虽然大语言模型的能力足够强大，但它依旧是被动的响应用户的指令，并且生成的效果取决于使用者如何使用它。AI Agent（智能代理）则不同，它是一个自动化的程序，它具备自主规划和执行的能力，它也被视为通往 AGI（通用人工智能）的钥匙。

AI Agent 是人工智能代理（Artificial Intelligence Agent）的概念，它是一种能够感知环境、进行决策和执行动作的智能实体，通常基于机器学习和人工智能技术，具备自主性和自适应性，在特定任务或领域中能够自主地进行学习和改进。一个更完整的 Agent，一定是与环境充分交互的，它包括两部分——一是 Agent 的部分，二是环境的部分。此刻的 Agent 就如同物理世界中的「人类」，物理世界就是人类的「外部环境」。

在 LLM 赋能的自主 agent 系统中 (LLM Agent)，LLM 充当 agent 大脑的角色，并与若干关键组件协作 。

规划（planning）

子目标分解：agent 将大任务拆分为更小的可管理的子目标，使得可以有效处理复杂任务。

反思与完善：agent 对历史动作可以自我批评和自我反思，从错误中学习并在后续步骤里完善，从而改善最终结果的质量。

记忆（Memory）

短期记忆：上下文学习即是利用模型的短期记忆学习。

长期记忆：为 agent 提供保留和召回长期信息的能力，通常利用外部向量存储和检索实现。

工具使用（tool use）

对模型权重丢失的信息，agent 学习调用外部 API 获取额外信息，包括当前信息、代码执行能力、专有信息源的访问等。

行动（Action）

行动模块是智能体实际执行决定或响应的部分。面对不同的任务，智能体系统有一个完整的行动策略集，在决策时可以选择需要执行的行动，比如广为熟知的记忆检索、推理、学习、编程等。

基于大模型的 Agent 不仅可以让每个人都有增强能力的专属智能助理，还将改变人机协同的模式，带来更为广泛的人机融合。生成式 AI 的智能革命演化至今，从人机协同呈现了三种模式：

嵌入模式：用户通过语言交流与 AI 合作，使用提示词设定目标，AI 协助完成任务，比如用户使用生成式 AI 创作小说、音乐作品、3D 内容等。在这种模式下，AI 执行命令，人类是决策者和指挥者。

副驾驶模式：人类和 AI 是合作伙伴，共同参与工作流程。AI 提供建议、协助完成工作，比如在软件开发中为程序员编写代码、检测错误或优化性能。AI 是知识丰富的合作伙伴，而非简单的工具。

智能体模式：人类设定目标和提供资源，AI 独立承担大部分工作，人类监督进程和评估结果。AI 体现了自主性和适应性，接近独立行动者，人类扮演监督者和评估者的角色。 智能体模式比嵌入模式和副驾驶模式更高效，可能成为未来人机协同的主要模式。在智能体的人机协同模式下，每个普通个体都有可能成为超级个体，拥有自己的 AI 团队和自动化任务工作流。他们可以与其他超级个体建立更智能化、自动化的协作关系。现在业内已经有一些一人公司和超级个体在积极探索这一模式。

当前，AI Agent 已是公认大语言模型落地的有效方式之一，它让更多人看清了大语言模型创业的方向，以及 LLM、Agent 与已有的行业技术融合应用的前景。目前大语言模型的 Agent，在代码生成、数据分析、通用问题解答、科学研究等多个领域内，都有一众开源或闭源项目，可见其火爆程度。

Agent 和 RAG 是入局容易、但后期同样水很深的领域。目前看绝大多数团队都选择自研，并没有形成主流的技术栈和生态。知识库召回是大家关注的核心技术点，丰富的多路召回能力有能显著提升效果。应用场景方面，从本次会议中获取到的场景是：AI 赋能大数据分析、AI 赋能智能营销、AI 赋能智能办公等。关于 multi-agents，目前业界普遍认可是未来的大趋势，但由于 agent 方向还处于早期阶段，能够落地的方案目前还比较少，大部分场景通过 Flow 和单 agent 去解决。关于开源。目前 Agent 和 RAG 的方向非常火热，一旦有个好用的开源框架或者工具出来就会得到不错的关注度，比如 RAGFlow。但国内能做开源的公司还是比较少，行业需要更好的开源环境和氛围催生行业发展。会议中大部分分享的内容都是从算法工程师的角度出发去优化效果，目前能关注到 Agent 和 RAG 相关基础设施的同行还比较少。原因应该是目前大家都还处于调试算法和效果阶段，还看不到太多生产化和规模化落地的需求。但我发现多个演讲中也提到了目前 Agent 存在的问题之一是执行效率。我们相信以 Agent 为中心的 AI 应用范式一定会颠覆传统的互联网应用。随着行业的发展，Agent 会从一个服务型应用转变成一个计算型应用。Ray 团队会持续探索分布式计算引擎在 AI 应用方向的融合计算能力，打造新一代的高效的 AI 基础设施，为解决 AI 应用落地中的分布式、生产化和规模化等问题找到通用的解决方案。