智能体RAG突破传统RAG一次性检索的局限，让大模型具备“推理-行动”能力：可基于初步结论动态调用检索工具、跨源交叉验证，实现多轮查证与迭代思考，显著提升回答的全面性与准确性。
AI 科普达人 New Machina 介绍了一种新的智能体设计思路：智能体 RAG。
传统的 RAG 模式已经在实践中证明了其价值。它通过将大语言模型与向量数据库结合，能够实时检索相关信息并生成更准确的回答。但这种模式存在一个局限：检索过程是一次性的，且大语言模型只有一次生成响应的机会。这就好比让一个人在只能查阅一次资料的情况下直接给出最终答案，而不能根据需要多次查证和思考。
而这种 “智能体RAG” 能够突破这一限制。在这种新的模式下，大语言模型可以像人类专家那样，根据初步推理结果判断是否需要获取更多信息，然后有针对性地调用不同的检索工具，甚至可以在多个数据源之间交叉验证。这种 "推理-行动" （ReAct）的交替过程使得系统能够逐步完善其理解，最终得出更全面准确的答案！
一个 15 人团队在 14 天内通过10.8万次生成，制作出一部90分钟的AI长片并入围戛纳影展。创作博主ADIL分享了制作过程，包括将影片从 110 分钟剪至 90 分钟、修复 40 个场景，并展示了三个典型问题场景的修复案例。他总结了28 个技巧，涵盖提示词、前期制作、团队协作和剪辑。关键技巧包括：情感场景需描述身体细微反应以消除“机器人感”.图像提示词应指定镜头焦距、光圈等参数，避免空泛描述。避免正面视角，使用四分之三或天花板角度。通过 X 轴 Y 轴百分比坐标系统精确控制角色位置。
AI 输出质量差往往不是因为模型不行，而是缺乏有效的上下文。近期备受关注的 “上下文工程” 正是解决这一瓶颈。通过数据打通、知识层构建、精准检索和运行时治理，让 AI 获取与任务真正相关的信息。在检索环节，相比基础 RAG，智能体式 RAG 能迭代获取数据，GraphRAG 靠实体关系导航提升精度，上下文压缩则过滤噪音最大化信号。当模型能力边际放缓，上下文工程的质量将成为拉开 AI 应用差距的关键。
Hermes QQ Bot 常因网络波动出现“灵魂不在线”的静默断连，根源在于 WebSocket 重连逻辑缺陷导致进程未正常退出。目前修复版本已解决重连耗尽问题，但深层异常捕获仍有待完善。建议用户升级至最新版，配置 systemd 或 Docker 自动重启策略，并优化代理超时设置，以保障 QQ Bot 稳定运行。
围绕《智能体 RAG：大语言模型应用的新模式》展开交流，未登录用户可浏览评论，登录后可参与讨论。
