流行的 AI 编排框架LlamaIndex引入了代理文档工作流 (ADW)，这是一种新架构，该公司表示，它超越了检索增强生成 (RAG) 流程并提高了代理的工作效率。
随着编排框架的不断改进，这种方法可以为组织提供增强代理决策能力的选择。
LlamaIndex 表示，ADW 可以帮助代理管理“超越简单提取或匹配的复杂工作流程”。
一些代理框架基于 RAG 系统，该系统为代理提供完成任务所需的信息。然而，这种方法不允许代理根据这些信息做出决策。
LlamaIndex 给出了一些现实世界的例子来说明 ADW 如何发挥作用。例如，在合同审查中，人类分析师必须提取关键信息、交叉引用监管要求、识别潜在风险并提出建议。当部署在该工作流程中时，AI 代理理想情况下会遵循相同的模式，并根据他们为合同审查而阅读的文档和其他文档中的知识做出决策。
LlamaIndex 在一篇博文中表示：“ADW 通过将文档视为更广泛的业务流程的一部分来解决这些挑战。” “ADW 系统可以跨步骤维护状态，应用业务规则，协调不同组件并根据文档内容采取行动——而不仅仅是分析它。”
LlamaIndex 此前曾表示，RAG 虽然是一项重要技术，但仍然处于初级阶段，特别是对于寻求利用 AI 获得更强大决策能力的企业而言。
了解决策背景
LlamaIndex 已开发出参考架构，将其 LlamaCloud 解析功能与代理相结合。它“构建了能够理解上下文、维护状态并推动多步骤流程的系统。”
为此，每个工作流都有一个充当协调器的文档。它可以指导代理利用 LlamaParse 从数据中提取信息，维护文档上下文和流程的状态，然后从另一个知识库检索参考资料。从这里开始，代理可以开始为合同审查用例生成建议或为不同用例生成其他可操作的决策。
该公司表示：“通过在整个过程中保持状态，代理可以处理复杂的多步骤工作流程，而不仅仅是简单的提取或匹配。这种方法使他们能够在协调不同系统组件的同时，构建有关他们正在处理的文档的深层背景。”
不同的代理框架
代理编排是一个新兴领域，许多组织仍在探索代理（或多个代理）如何为他们工作。随着代理从单一系统转向多代理生态系统，编排 AI 代理和应用程序可能会成为今年的热门话题。
AI 代理是 RAG 功能的扩展，即基于企业知识查找信息的能力。
但随着越来越多的企业开始部署 AI 代理，他们也希望它们能够完成许多人类员工所做的任务。而且，对于这些更复杂的用例，“普通” RAG 是不够的。企业考虑的先进方法之一是agentic RAG，它扩展了代理的知识库。在得出结果之前，模型可以决定是否需要查找更多信息、使用哪种工具来获取这些信息以及它刚刚获取的上下文是否相关。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/llamaindex-chao-yue-le-rag-yin-ci-dai-li-ke-yi-zuo-chu-fu
