图解AI三大核心技术：RAG、大模型、智能体

大模型中的Transformer与混合专家（MoE）

1. Transformer

• 核心结构：基于自注意力机制（Self-Attention），并行处理序列数据，解决长距离依赖问题。
• 关键组件：多头注意力（Multi-Head Attention）、前馈网络（FFN）、层归一化（LayerNorm）和残差连接。
• 优势：高效并行训练，适合大规模预训练（如GPT、BERT）。

2. 混合专家（MoE）

• 核心思想：将模型拆分为多个专家子网络（如FFN），每层动态激活部分专家（通过门控机制），显著扩展模型规模而不增加计算量。
• 典型应用：Google的Switch Transformer、Meta的FairSeq-MoE。
• 优势：计算高效（稀疏激活），支持万亿参数级模型。

3. 结合方式

MoE常作为Transformer中FFN的替代，例如MoE层替换FFN，实现模型容量与计算效率的平衡。

Transformer提供基础架构，MoE通过稀疏化计算扩展模型规模，二者结合推动大模型发展（如GPT-4、Mixtral）。

5种大模型微调技术

1. LoRA（Low-Rank Adaptation）

• 核心思想：冻结预训练模型权重，插入低秩矩阵（，秩）微调，减少参数量。
• 优势：显存占用低，适配多任务。

2. LoRA-FA（LoRA with Frozen-A）

• 改进点：固定LoRA的矩阵（随机初始化不更新），仅训练矩阵，进一步减少计算开销。
• 适用场景：资源极度受限时保持性能。

3. VeRA（Vector-based Random Adaptation）

• 核心思想：所有LoRA层共享同一对随机初始化低秩矩阵，仅学习层特定的缩放向量（逐层调整幅度）。
• 优势：参数效率极高（如千倍减少），适合边缘设备。

4. Delta-LoRA

• 改进点：在LoRA基础上，将预训练权重的增量（）也纳入低秩约束，即微调。
• 优势：平衡参数更新与原始权重保护。

5. LoRA+

• 核心思想：对LoRA的矩阵AA和BB采用不对称学习率（如），缓解梯度失衡问题。
• 效果：提升收敛速度与微调稳定性。

应用场景：LoRA通用性强；VeRA适合超轻量化；Delta-LoRA和LoRA+侧重性能优化。

传统RAG与Agentic RAG对比

1. 传统RAG

核心流程

• 检索（Retrieval）：从固定知识库中检索与输入相关的文档片段（如BM25/向量检索）。
• 生成（Generation）：将检索结果拼接为上下文，输入大模型生成回答。

特点

• 静态处理：检索与生成分离，无反馈循环。
• 局限性：
• 检索结果质量直接限制生成效果；
• 无法动态优化检索策略；
• 多跳推理能力弱（需人工设计分步查询）。

2. Agentic RAG

核心思想

将RAG流程赋予自主决策能力，通过智能体（Agent）动态管理检索与生成。

关键改进：

• 动态检索：
• 基于生成内容的反馈调整检索策略（如改写查询、多轮检索）；
• 支持复杂查询的多跳推理（自动分解子问题并迭代检索）。
• 任务感知：
• 根据任务类型（问答、摘要等）选择检索工具或生成策略；
• 可调用外部API或工具补充知识（如计算、实时数据）。
• 自我验证：
• 对生成结果进行事实性检查（如二次检索验证）、逻辑一致性评估。

对比总结

演进本质：Agentic RAG将RAG从“管道流程”升级为“自主决策系统”，更贴近人类问题解决模式。

5 种经典的智能体设计模式

1. Reflection Pattern（反思模式）

核心思想：智能体通过自我评估与迭代修正优化输出。

流程：生成结果 → 分析错误/不足 → 调整策略重新生成。

2. Tool Use Pattern（工具使用模式）

核心思想：智能体调用外部工具（如API、计算器、搜索引擎）扩展能力边界。动态选择工具并解析工具返回结果。

3. ReAct Pattern（推理+行动模式）

核心思想：结合推理（Reasoning）与行动（Action）的交互式决策。

流程：

• Reason：分析当前状态（如“需要查询天气”）；
• Act：执行动作（如调用天气API）；
• 循环直至解决问题。

4. Planning Pattern（规划模式）

核心思想：智能体预先制定分步计划再执行，而非即时反应。长期目标分解为子任务，动态调整计划。

5. Multi-agent Pattern（多智能体模式）

核心思想：多个智能体通过协作/竞争完成复杂任务。角色分工（如管理者、执行者）、通信机制（如投票、辩论）。

5大文本分块策略

1. Fixed-size Chunking（固定分块）

• 核心思想：按固定长度（如 256 tokens）分割文本，可重叠（滑动窗口）。
• 优点：简单高效，适合常规 NLP 任务（如向量检索）。
• 缺点：可能切断语义连贯性（如句子中途截断）。
• 场景：BERT 等模型的输入预处理、基础 RAG 系统。

2. Semantic Chunking（语义分块）

• 核心思想：基于文本语义边界分块（如段落、话题转折点）。
• 实现：
• 规则：按标点（句号、段落符）分割；
• 模型：用嵌入相似度检测语义边界（如 Sentence-BERT）。
• 优点：保留语义完整性。
• 缺点：计算成本较高。
• 场景：精细化问答、摘要生成。

3. Recursive Chunking（递归分块）

• 核心思想：分层分割文本（如先按段落→再按句子）。
• 优点：平衡长度与语义，适配多级处理需求。
• 缺点：需设计分层规则。
• 场景：长文档处理（论文、法律文本）。

4. Document Structure-based Chunking（基于文档结构的分块）

• 核心思想：利用文档固有结构（标题、章节、表格）分块。
• 实现：解析 Markdown/HTML/PDF 的标签结构。
• 优点：精准匹配人类阅读逻辑。
• 缺点：依赖文档格式规范性。
• 场景：技术手册、结构化报告解析。

5. LLM-based Chunking（基于大模型的分块）

• 核心思想：用 LLM（如 GPT-4）动态决定分块策略。
• 方法：
• 直接生成分块边界；
• 指导规则引擎优化（如“将这段话按时间线拆分”）。
• 优点：灵活适配复杂需求。
• 缺点：成本高、延迟大。
• 场景：高价值文本处理（如医疗记录、跨语言内容）。

对比总结

智能体系统的5个等级

传统RAG vs HyDE

传统RAG（Retrieval-Augmented Generation）和HyDE（Hypothetical Document Embeddings）都是检索增强生成（RAG）技术的变体，但它们在检索策略和性能优化上有显著差异。以下是两者的对比：

1. 核心流程对比

关键区别：

• 传统RAG依赖查询与文档的语义匹配，但用户问题（如“什么是ML？”）可能与答案（如“机器学习是一种方法”）表述不同，导致检索失败。
• HyDE通过生成假设答案（如“ML是让计算机学习数据的方法”），使嵌入更接近真实答案的语义，从而提高检索精度。

2. 性能对比

实验数据：

• OpenAI测试显示，传统RAG准确率仅45%，HyDE可提升至65%。
• ARAGOG研究表明，HyDE与LLM重排序结合后，检索精度显著优于朴素RAG。

3. 适用场景

4. 优缺点总结

RAG vs Graph RAG

核心区别：

• RAG 直接检索文本片段，适合短平快问答；
• Graph RAG 利用知识图谱的结构化关系，更适合需要逻辑推理的任务（如“某药物的副作用机制是什么？”）。

KV caching

KV Cache是Transformer推理时的关键优化技术，通过缓存注意力层计算过的键值矩阵（Key-Value），避免对历史token的重复计算，将生成过程的计算复杂度从二次方（O(n²)降至线性（O(n)），显著提升大模型生成速度（3-5倍加速）。它以显存占用为代价（需存储每层的KV矩阵），成为所有主流推理框架（如vLLM、TGI）的核心优化手段，支撑了长文本生成和实时交互的高效实现。