前三代 RAG 进化小史第一代 RAG ,是以 embeding 全文检索为基础做召回以rerank模型为精排。这代其实RAG受限于当时的技术条件而诞生的一个技术那个时候大模型窗口普遍4-8k并发少速度慢模型效果也一般所以只能采用传统技术来做召回并且采用小模型(rerank)来做排序。 第一代RAG解决了从无到有的问题。下图是 一代 RAG 典型的流程。第一代RAG 最大的问题就出在召回方案缺乏语义理解受限于 embeding 对文本长度的支持还长期受限于文本碎片化的困扰。后续RAG公司没有从根本上去解决这个问题而是不断的在其上打补丁比如加入实体图搜索在数据预处理上进行大量场景定制在召回策略上也要进行场景定制。一代RAG天花板太低实际上效果很难再提升唯一的出入就是定制但这样很难控制成本。随着大模型技术的发展我们推出了第二代 RAG , 该RAG核心是使用大模型做召回解决了海量数据召回速度和成本问题同时高度优化窗口的使用率彻底解决语义召回的难题。 效果也是出奇的好并且实际成本相比定制化RAG 也更低成本很透明但是第二代依然有明显的缺陷对于需要复杂拆解的问题比较困难下面图片是个例子于是我推出了第三代 RAG , Agentic RAG, 基于二代的基础上我们引入了 Agentic 范式并增加了联网以及规划能力从而使用通用的方式解决了下推演示了这种规划能力通过提前拆解规划问题从而将复杂的问题拆解成一些简单的信息召回问题然后结合多轮召回最后给出答案。这就是第三代 Agentic LLM Native RAG. 第三代 RAG 是已经 RAG 的顶级形态。 那么第四代 RAG 进化方向应该在哪呢第四代RAG经过前三代RAG的积累第四代 RAG 在使用方式开始进入新的阶段。传统方式将 RAG 作为一个服务比如兼容 OpenAI 接口比如这样auto-coder.rag serve --lite --port 8102 \ --doc_dir ./byzer-llm \ --model v3_chat然后就可以通过 OpenAI SDK 通过 127.0.0.1:8102 进行访问了。这种方式对于和其他产品结合并不方便。为此我们提供了命令行模式echo byzer-llm prompt 函数是什么 | auto-coder.rag run \ --doc_dir ./byzer-llm --model v3_chat \ --output_format text \ --agentic这意味着你可以随时随地的对任意一个目录进行 RAG 查询。命令行的方式几乎可以被任何Agent 调用你可以很轻松的嵌入到 Cursor/Auto-Coder/Claude Code/Codex/Qoder 中你只需要给这些 Code Agent 通过 Rule 添加一个简单的使用说明 Code Agent 就会在合适的时候使用知识库进行学习除了命令行我们也提供了 JavaGo, NodeJS ,Python 的绑定比如Java 你可以添加如下依赖dependency groupIdtech.mlsql/groupId artifactIdautocoder-rag-sdk/artifactId version0.0.2/version /dependency然后可以写类似的代码package com.example; import com.autocoder.rag.sdk.RAGClient; import com.autocoder.rag.sdk.RAGConfig; import java.util.stream.Stream; import java.util.stream.Collectors; public class Main { public static void main(String[] args) { RAGConfig config new RAGConfig(./byzer-llm); config.setModel(v3_chat); RAGClient client new RAGClient(config); String query byzer-llm prompt function是什么; try { StreamString stream client.queryStream(query); String result stream.collect(Collectors.joining(\n)); System.out.println(result); } catch (Exception e) { System.err.println(Error: e.getMessage()); System.exit(1); } } }就完成了流式的 RAG 查询可以将 RAG 方便的各种集成到用户的应用中。第四代RAG 无需部署即可实现开箱即用并且能够让各种语言以库的方式被直接使用。所以我们将 第四代 RAG 称为 Agentic LLM Native RAG SDK. 你也可以简称为 RAG SDK.RAG 是未来所有AI应用的基础设施而 auto-coder.RAG 提供了更加便利友好方式和集成方式以及最优秀的查询效果。期待大家使用和集成。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】