很好奇 RAG 真的是现代 ai agent 所需要的吗，还有 langchian 这种框架，没有看到太多
很好奇 RAG 真的是现代 ai agent 所需要的吗，还有 langchian 这种框架，没有看到太多知名开源项目用到了 知识库类的需求还是要的吧，不然还有什么替代呢 我们尝试了一下效果并不是很好，反正现在不用了，也可能是我们自己菜。 同样好奇，尤其是好奇 langchain 的实际落地情况。 最近也在思考这个问题，探讨一下，在数据量不大的情况下，rag 可能并没有效果那么好，反倒成为一个额外的工作量。现在如果是传统的文本切片做 rag ，其实当数据量大之后，一方面不一定准确，另一方面如果数据有变化后，所有相关的文本其实会面临过时且难以修改的问题。
现在大一点的项目可能会用基于知识图谱的 Rag ，这个可能在未来的落地后更可靠些。它可以维护住事物之间的关系，也能确保更新后是彼此正确的。 我感觉还是有的（但没有真实数据），应该是用的大部分都是企业级产品，或者企业内部用的，消费者日常接触不到所以感受不深
就像我之前觉得 Angular 在国内基本没有企业会用吧（又长又臭的），但是实际是入职的三家公司有两家都是用的 Angular （虽然体量还是比 Vue 少多了，但是也有点刷新了我的看法）
“幸存者偏差”真的哪里都存在，就像你现在感觉没啥人 RAG 、langchian ，但当你接触到那个圈子之后，就会发现身边的人、企业全部都在用这些东西，为啥市面上还有人没听过？ RAG 就是是一套固定 SOP 的 workflow 。 阿里的 agentscope 咋样 longchain 还是太简陋了，用的更多的应该是 longgraph 先说 RAG, 当有数据的量级大到难以注入给 Agent 的文件系统时, 甚至量大到连数据索引都可能会超 100K token 时, RAG 才有必要. 大部分情况下直接把引用内容挂到 Agent 的文件系统里, 加三五行对文件结构的介绍, 让 AI 用 ls 和 grep 去使用, 效果就很好了.
再说 langchain, 我觉得定位于一个新 Agent 产品的 bootstrap 还是不错的. 迭代下去总会发现有不能满足的需求, 还有多余的功能. 在 AI 加持下参考基于 langchain 的项目代码, 再从头撸一个也不费什么事.
页:
[1]
2