检索增强生成(RAG)已成为增强大型语言模型(LLM)能力的一种强大技术。通过从知识来源中检索相关信息并将其纳入提示，RAG为LLM提供了有用的上下文，以产生基于事实的输出。 但是现有的单代理RAG系统面临着检索效率低下、高延迟和次优提示的挑战。这些问题在限制了真实世界的RAG性能。多代理体系结构提供了一个理想的框架来克服这些挑战并释放RAG的全部潜力。通过划分职责，多代理系统允许专门的角色、并行执行和优化协作。 当前的RAG系统使用单个代理来处理完整的工作流程——查询分析、段落检索、排序、摘要和提示增强。 这种单一的方法提供了一个简单的一体化解决方案。但是对每个任务依赖一个代理会导致瓶颈。代理会浪费时间从大量语料库中检索无关紧要的段落。长上下文的总结很糟糕，并且提示无法以最佳方式集成原始问题和检索到的信息。 这些低效率严重限制了实时应用程序的RAG的可伸缩性和速度。 多代理体系结构可以克服单代理的限制。通过将RAG划分为并发执行的模块化角色可以实现: 检索：专用检索代理专注于使用优化的搜索技术进行有效的通道检索。这将最小化延迟。...
