Multi-agent RAG Systems调研报告

Agentic RAG调研报告—探索搭建适配多数据源的Multi-agent RAG System

Multi-agent RAG架构设计

应用场景与需求

根据不同的知识库与应用特点构造了不同的查询引擎，它们面向不同的领域知识，采用了不同的索引(比如VectorIndex与GraphIndex)。我们需要给使用者(可能是人或应用)提供一致性体验，他们无须关心后端使用的真实查询引擎是哪一个，只需要输入问题即可获得正确的答案。$^{[1]}$

适配多数据源

计算机中的文档：TXT文档、PDF文档、Office文档

存储在多种类型数据库中的结构化数据、半结构化数据：MySQL、PostageSQL、Redis、MongDB

存储在图数据库中图数据：Neo4j

存储在向量数据库中的向量数据：Milvus、Chroma、Elastic

项目调研

1. https://docs.llamaindex.ai/en/stable/examples/agent/openai_agent_query_cookbook/ - OpenAI Agent + Query Engine Experimental Cookbook: 融合了vector_tool和sql_tool
2. https://github.com/karthik-codex/Autogen_GraphRAG_Ollama - GraphRAG + AutoGen + Ollama + Chainlit UI = Local Multi-Agent RAG Superbot：这个应用程序将 GraphRAG 与 AutoGen 代理集成在一起，由 Ollama 的本地LLM提供支持，可实现免费的离线嵌入和推理。

参考资料

[1] 基于大模型的RAG应用开发与优化—构建企业级LLM应用. 严灿平. 中国工信出版集团

[2] RAG行业问答博客观点开源整理：从RAG评估、应用参考、开源框架到操作实践总结

[3] https://github.com/lizhe2004/Awesome-LLM-RAG-Application?tab=readme-ov-file