仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
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-HeadAttention）、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）。
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SwitchTransformer、Meta的FairSeq-MoE。
优势：计算高效（稀疏激活），支持万亿参数级模型。
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）。
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。
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。
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。
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。
核心思想：对LoRA的矩阵AA和BB采用不对称学习率（如ηη），缓解梯度失衡问题。
效果：提升收敛速度与微调稳定性。
技术
参数效率
计算开销
核心改进方向
LoRA
中
低
基础低秩适配
LoRA-FA
高
极低
冻结AA矩阵
VeRA
极高
极低
共享矩阵+缩放向量
Delta-LoRA
中
中
低秩增量+权重更新
LoRA+
中
低
非对称学习率优化
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。
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。
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）。
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。
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。
维度
传统RAG
AgenticRAG
单次、静态
多轮、动态优化
单跳，依赖人工设计
多跳，自主分解任务
固定拼接
动态筛选与精炼
无自检机制
结果验证与修正
简单问答、文档摘要
复杂推理、实时交互、工具调用
演进本质：AgenticRAG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。
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。
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。
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。
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。
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）。
核心思想：按固定长度（如256tokens）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。
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。
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）。
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。
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）。
策略
核心逻辑
优势
局限性
固定长度切割
高效、通用
语义断裂风险
语义边界检测
保留上下文
计算复杂度高
多级递归分割
灵活适配长文本
规则设计复杂
文档标签解析
精准匹配结构
依赖格式标准化
大模型动态决策
智能适应场景
成本高、速度慢
等级
核心能力
关键特征
典型场景
单轮响应
无记忆，固定规则生成
简单问答、自动回复
任务分类与分发
意图识别+预定义路由
多技能助手（如小爱同学）
调用外部工具
动态API调用+结果解析
实时计算、数据查询
多智能体协作/竞争
角色分工+通信协议
仿真系统、复杂任务分解
长期目标驱动+自我优化
规划+反思+环境适应
自动驾驶、AutoGPT
直接对用户查询（Query）进行向量检索
先让LLM生成假设答案（HypotheticalAnswer），再检索相似文档
Query-to-Document相似度匹配
Answer-to-Document相似度匹配
直接使用检索到的文档生成答案
结合假设答案+检索文档生成最终答案
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。
较低（依赖查询表述）
显著提升（如ARAGOG实验显示优于基线）
可能因检索失败而错误
更准确（利用假设答案引导检索）
低（仅需一次检索）
较高（需LLM生成假设答案）
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。
适用（如事实型问题）
适用，但可能过度复杂
易失败（表述差异大）
更优（如多跳推理）
更高效
延迟较高（需生成步骤）
简单、计算成本低
检索精度受查询表述限制
检索精度高、适配复杂语义
延迟高、依赖LLM生成质量
基于扁平文本（向量检索）
基于知识图谱（图结构检索）
语义相似度匹配（如BM25/Embedding）
图遍历（如节点关系推理、路径查询）
简单高效，适合事实型问答
擅长多跳推理、关系推理
难以处理复杂逻辑关系
依赖高质量知识图谱，构建成本高
问答、文档摘要
复杂推理（如因果分析、事件链推导）
核心区别：
RAG直接检索文本片段，适合短平快问答；
GraphRAG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？”）。
KVCache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。
长按👇关注-数据STUDIO-设为星标，干货速递
