多年來，搜索引擎和數據庫依賴於基本的關鍵字匹配，通常會導致分散和上下文的結果。引入生成AI和檢索增強生成（RAG）的出現已經改變了傳統信息檢索，使AI能夠從廣泛來源中提取相關數據並產生結構化的相干響應。這種發展提高了準確性，減少了錯誤信息，並使AI驅動的搜索更加互動。
但是，儘管RAG在檢索和生成文本方面表現出色，但仍限於表面級檢索。它無法發現新知識或解釋其推理過程。研究人員通過將抹布塑造成能夠以透明，可解釋的邏輯來解決的實時思維機器來解決這些差距。本文探討了抹布的最新發展，突出了進步，推動了抹布朝著更深入的推理，實時知識發現和聰明的決策。
從信息檢索到智能推理
結構化推理是導致抹布演變的關鍵進步。經過思考的推理（COT）通過使他們能夠連接想法，分解複雜問題並逐步完善響應來改善大語模型（LLM）。此方法有助於AI更好地理解環境，解決歧義並適應新的挑戰。
代理AI的開發進一步擴大了這些功能，使AI可以計劃和執行任務並改善其推理。這些系統可以分析數據，瀏覽複雜的數據環境並做出明智的決策。
研究人員正在將COT和代理AI與RAG集成，以超越被動檢索，從而使其能夠進行更深入的推理，實時知識發現和結構化的決策。這一轉變導致了創新，例如檢索提升的思想（RAT），檢索提示的推理（RAR）和代理RAR，使AI更熟練地分析和實時分析和應用知識。
創世紀：檢索型發電（抹布）
RAG主要是為了解決大型語言模型（LLM）的關鍵局限性 – 它們對靜態培訓數據的依賴。如果不訪問實時或域特異性信息，LLM會產生不准確或過時的響應，這是一種稱為幻覺的現象。 RAG通過集成信息檢索功能來增強LLMS，從而允許它們訪問外部和實時數據源。這樣可以確保響應更準確，以權威來源為基礎，並且在上下文上相關。
抹布的核心功能遵循一個結構化的過程：首先，數據轉換為嵌入式 – 矢量空間中的數值表示 – 並存儲在矢量數據庫中以進行有效的檢索。當用戶提交查詢時，系統將通過將查詢的嵌入與存儲的嵌入進行比較來檢索相關文檔。然後將檢索到的數據集成到原始查詢中，並在生成響應之前豐富LLM上下文。這種方法可以使應用程序，例如聊天機器人，訪問公司數據或AI系統，這些系統可提供來自經過驗證的來源的信息。
儘管RAG通過提供精確的答案而不是僅僅列出文檔來改進信息檢索，但它仍然有局限性。它缺乏邏輯推理，明確的解釋和自主權，這對於使AI系統真正的知識發現工具至關重要。目前，RAG並不能真正理解其檢索的數據，而只能以結構化的方式組織和呈現。
檢索提示的思想（老鼠）
研究人員已經引入了檢索提升的思想（RAT），以通過推理能力增強抹布。與傳統的破佈在產生響應之前一次檢索信息一次不同，在整個推理過程中，大鼠在多個階段檢索數據。這種方法通過不斷收集和重新評估信息以完善結論來模仿人類思維。
大鼠遵循一個結構化的多步檢索過程，使AI迭代地改善了其響應。它不依賴單個數據獲取，而是逐步完善其推理，從而導致更準確和邏輯的輸出。多步檢索過程還使該模型概述了其推理過程，從而使RAT成為一個更容易解釋和可靠的檢索系統。此外，動態知識注射確保檢索是自適應的，並根據推理的演變而根據需要結合新信息。
檢索提示推理（RAR）
雖然檢索提升的思想（大鼠）增強了多步驟信息的檢索，但它並不能固有地改善邏輯推理。為了解決這一問題，研究人員開發了檢索功能推理（RAR） – 一個集成了符號推理技術，知識圖和基於規則的系統的框架，以確保AI通過結構化的邏輯步驟來處理信息，而不是純粹的統計預測。
RAR的工作流程涉及從特定領域的來源檢索結構化知識，而不是事實摘要。然後，符號推理引擎應用邏輯推理規則來處理此信息。該系統沒有被動地匯總數據，而是根據中間推理結果完善其查詢迭代，從而提高了響應精度。最後，RAR通過詳細介紹導致結論的邏輯步驟和參考來提供可解釋的答案。
這種方法在法律，金融和醫療保健等行業中特別有價值，在該行業中，結構化推理使AI能夠更準確地處理複雜的決策。通過應用邏輯框架，AI可以提供良好的，透明和可靠的見解，以確保決策基於清晰，可追溯的推理，而不是純粹的統計預測。
代理RAR
儘管RAR在推理方面取得了進步，但它仍然反應地運作，在不積極完善其知識發現方法的情況下回應了查詢。代理檢索提示的推理（代理RAR）通過嵌入自主決策能力來進一步。這些系統沒有被動檢索數據，而是迭代計劃，執行和完善知識獲取和解決問題，使它們更適合現實世界中的挑戰。
Agesic RAR集成了可以執行複雜推理任務的LLM，專門針對特定領域的應用程序（例如數據分析或搜索優化）訓練的專門代理，以及根據新信息動態發展的知識圖。這些元素共同創建可以解決複雜問題，適應新見解並提供透明，可解釋的結果的AI系統。
未來的含義
從抹佈到RAR的過渡以及代理RAR系統的開發是將RAG超越靜態信息檢索的步驟，將其轉變為動態的，實時的思維機器，能夠具有復雜的推理和決策。
這些發展的影響跨越了各個領域。在研發中，AI可以協助進行複雜的數據分析，假設產生和科學發現，加速創新。在金融，醫療保健和法律中，人工智能可以處理複雜的問題，提供細微的見解並支持複雜的決策過程。由深層推理能力提供支持的AI助手可以提供個性化和上下文相關的響應，適應用戶不斷發展的需求。
底線
從基於檢索的AI到實時推理系統的轉變代表了知識發現中的重大發展。抹佈為更好的信息綜合奠定了基礎，而RAR和ADIC RAR將AI推向自主推理和解決問題。隨著這些系統的成熟，AI將從單純的信息助手過渡到跨多個領域的知識發現，批判分析和實時智能的戰略合作夥伴。
