🎯RAG技术为构建知识助手提供基础，涵盖数据处理、索引、检索和提示等方面，但存在一些局限性

📄强调高质量数据和检索的重要性，介绍了数据清洗、结构化提取和语义搜索等，还提到复杂文档处理的挑战及LlamaIndex的文档解析技术

🤖阐述了通过工具使用、查询规划、记忆和反思来进行Agent推理和处理复杂输入，以及自动化决策制定和输出生成的概念及实现方式

2024-09-14 12:08 湖北

LlamaIndex CEO于2024.9.10的主题演讲：

报告人：Jerry Liu

报告人信息：LlamaIndex CEO

主题原文：“Building an Advanced Knowledge Assistant”

报告概要内容如下：

RAG只是开始

RAG技术通过检索相关信息并生成回答，为构建知识助手Application提供了基础。包括数据处理、索引、检索和提示。

基础RAG的局限性：指出了基础RAG在数据处理、检索接口、查询理解和规划、功能调用或工具使用、状态记忆等方面的不足。

如何建设更好的知识助手App

在RAG的基础上，强调高质量数据和检索、复杂输入的Agent推理、Agent决策制定和输出生成

高质量数据和检索

强调任何LLM应用的质量取决于其数据质量，介绍了数据清洗、结构化提取和语义搜索的重要性。

复杂文档处理

复杂文档（如嵌入表格、图表、不规则布局）的挑战，并介绍了LlamaIndex的文档解析技术。

LlamaParse：这是一个先进的文档解析器，专门用于减少LLM幻觉，已被超过20,000名独立用户处理超过2500万页。

Agent推理和复杂输入

通过工具使用、查询规划、记忆和反思来处理复杂输入。

Agent决策制定和输出生成

自动化决策制定和输出生成的概念，以及如何通过结构化输出和功能调用来实现。

未来：智能体应用（Agentic App）

可扩展的全栈应用：在生产环境中运行Agent所需的架构和基础设施组件。

报告全文详情：

‍推荐阅读

• 对齐LLM偏好的直接偏好优化方法：DPO、IPO、KTO

• 一篇搭建AI大模型应用平台架构的全面指南

• RAG全景图：从RAG启蒙到高级RAG之36技，再到终章Agentic RAG！

• Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）

欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。

跳转微信打开