08｜Embabel 与 RAG 集成：让 Agent 真正“读懂”你的私有知识
张嘉熙
你好，我是张嘉熙。
我们都知道，LLM 的训练数据有特定范围，有截止日期，它不知道你的公司内部的产品文档、请假政策和今天刚刚发布的行业报告。RAG（Retrieval-Augmented Generation）就是为了解决这个问题而诞生的，它让 LLM 在回答问题之前，先去外部知识库中检索相关信息，用检索结果增强提示词，从而给出准确、有据可查的回答。
但传统 RAG 有一个根本问题，它的检索过程是一个硬编码的线性 Pipeline：用户提问 → 向量检索 → 拼接提示词 → LLM 回答。这种“一问一答”的模式在面对复杂问题时往往力不从心，它不知道什么时候该多搜几次，也不知道怎么主动调整搜索策略。
这就是 Embabel 引入 Agentic RAG 的原因。Embabel 的 RAG 实现，不是简单地在外面挂一个向量数据库，而是让 LLM 掌控检索过程：自主决定什么时候搜索、用什么搜索、以及如何利用搜索结果。这一讲我们就来深入拆解 Embabel 的 RAG 集成方式。
传统 RAG 的局限：Pipeline 式检索
LlamaIndex 是传统 RAG 范式的典型代表，它是一个数据优先的框架，专门为 Pipeline 式的检索模式设计。工作流程非常直观：
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《Java Agent：从 Demo 到生产级实践》，新⼈⾸单¥59
《Java Agent：从 Demo 到生产级实践》，新⼈⾸单¥59
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论