weixin_43520816的博客

国内开源的RAG框架各有特色，开发者可以根据具体需求选择合适的框架。例如，LangChain适合需要高度定制化的场景，而Haystack和Dify则更适合高效检索和部署需求。GraphRAG和LlamaIndex则在复杂信息推理和大规模数据处理方面表现突出。

AI伪造参考文献的现象是由其生成式模型的工作机制、过拟合、幻觉现象以及信息存储能力的限制共同导致的。这一现象不仅对学术研究构成了威胁，也引发了对AI伦理和技术可靠性的深刻反思。未来需要通过技术创新和规范管理来解决这一问题，以确保AI在科研领域的健康发展。AI伪造不存在的参考文献的现象，主要源于其生成式人工智能模型（如ChatGPT、文心一言等）的工作原理和技术特性。这些模型通过统计概率生成内容，而非基于真实世界知识库或逻辑推理，从而导致了“幻觉”现象的发生。

更为引人注目的是，OpenAI果断出手，发布了人人皆可自建小型Manus的Agent API，这一举措犹如投入平静湖面的巨石，激起层层涟漪，为智能体的普及与应用开辟了全新的可能。今年2月，OpenAI又推出Deep Research，其背后依托端到端训练后的O3模型，能够自主决定何时进行信息搜索、何时整理现有信息、何时展开深度搜索以及何时进行分析总结，整个过程摆脱了对预先设计工作流或人为指定步骤的依赖，实现了高度自主。Agent一词，直译过来为“代理”，在AI的专业语境中，常被译为“智能体”。

今天，我们将学习如何部署由阿里巴巴最新Qwen 3驱动的Agentic RAG。这里是我们的工具栈：CrewAI用于代理编排。Firecrawl用于网络搜索。LightningAI的LitServe用于部署。顶部的视频展示了这一过程。图表显示了我们的Agentic RAG流程：检索代理接受用户查询。它调用相关工具（Firecrawl网络搜索或向量DB工具）以获取上下文并生成见解。写作代理生成响应。接下来，让我们实现并部署它！代码稍后在问题中链接。

一、Introduction过去一年可谓是RAG元年，检索增强生成技术迅速发展与深刻变革，其创新与应用已深刻重塑了大模型落地的。站在2025年，RAG不仅突破了早期文本处理的局限，更通过多模态融合、混合检索优化和语义鸿沟跨越等突破，开始在各个行业落地。如果把2024之前的RAG称为RAG 1.0，那目前已进入RAG 2.0时代。一个显着的进步是，这一功能引发了争议，但到年中逐渐平息。很多人觉得长上下窗口就够了，传统的检索和RAG会被取代。此外，

RAG（检索增强生成）通过整合生成模型和检索技术，利用检索组件从大量数据中筛选出相关信息，进而由生成模型创造回答。首先，RAG 的检索组件被优化，以便在筛选信息时优先考虑那些经过验证的、可靠的来源，从而减少错误信息的传播。其次，生成模型在生成回答前，会对检索到的信息进行深度分析，以确保信息的准确性和减少潜在偏见。这种双阶段流程既利用了检索的精确性，又发挥了生成模型的创造性，特别适用于依赖外部知识生成自然语言的任务。动态检索：RAG 的检索组件会根据对话的进展动态调整检索策略，确保信息的相关性和时效性。