RAG部分的学习，再粗略过一遍

https://www.luochang.ink/dive-into-langgraph/rag/

 

里面提到官方关于RAG架构的介绍，还不错

https://docs.langchain.com/oss/python/langchain/retrieval#rag-architectures

 

https://zhuanlan.zhihu.com/p/642357544

这里讲了一些ReAct,Self-Ask,Plan-and-execute

 

https://cloud.tencent.com/developer/article/2608465

关于React的一些介绍

 

https://www.cnblogs.com/muzinan110/p/18552824

ReAct vs Plan-and-Execute：LLM Agent 模式实战对比

可以试一试在langchain1.0里还能不能跑

 

5. 选型建议与最佳实践

5.1 选择 ReAct 的场景

1. 简单直接的任务

   • 单一目标明确
   • 步骤较少
   • 需要快速响应

2. 实时交互场景

   • 客服对话
   • 即时查询
   • 简单计算

3. 成本敏感场景

   • Token 预算有限
   • 需要控制 API 调用次数

5.2 选择 Plan-and-Execute 的场景

1. 复杂多步骤任务

   • 需要任务拆分
   • 步骤间有依赖关系
   • 需要中间结果验证

2. 需要高准确率的场景

   • 金融分析
   • 数据处理
   • 报告生成

3. 长期规划类任务

   • 项目规划
   • 研究分析
   • 战略决策

5.3 最佳实践建议

1. 混合使用策略

   • 根据子任务复杂度选择不同模式
   • 可以在同一系统中结合使用两种模式

2. 性能优化技巧

   • 使用缓存机制
   • 实现并行处理
   • 优化 Prompt 模板

3. 成本控制方法

   • 设置 Token 限制
   • 实现任务中断机制
   • 使用结果缓存