优图实验室—Agentic RAG相关技术研究

课题背景： 随着大语言模型从单纯的“知识问答”向“任务解决”演进，传统的检索增强生成（RAG）正从静态的 Pipeline 向具备自主决策能力的 Agentic RAG 架构转型。Agentic RAG 不再是被动地检索与总结，而是通过引入 Agent 的规划、反思、工具调用及多步推理能力，实现对复杂问题的自适应检索。它能够自主判断检索质量、动态修正查询策略，并在多个知识库或工具间进行协同调度。本课题旨在探索 Agent 框架与 RAG 技术的深度融合，构建能够处理复杂长链任务、具备自我纠错能力的下一代智能知识系统。 课题挑战：

1. 01

   主动式检索策略设计： 如何设计高效的 Agent 决策逻辑，使模型能够根据问题的复杂程度自主决定检索的时机、次数以及是否需要多跳（Multi-hop）推理；

2. 02

   复杂工具链与多源异构调度： 在面对向量数据库、图数据库、实时搜索及私有 API 时，如何优化 Agent 的工具调用准确性，实现多源信息的无缝整合；

3. 03

   反思与自我纠偏机制： 针对 RAG 常见的幻觉问题，如何构建闭环的验证机制，通过 Agent 对检索结果的关联性、准确性进行实时评估与二次修正；

4. 04

   Memory研究： 在多轮交互与复杂任务拆解中，研究如何有效管理历史信息和记忆状态，避免长序列下的信息遗忘或指令漂移。 具体工作： 你将参与 Agentic RAG 核心框架的研发，包括但不限于：多 Agent 协作系统设计、复杂 Query 改写与拆解算法优化、基于知识图谱与向量混合检索的增强研究、Text2SQL、Memory、自动化评估体系的建立与优化。

1. 01

   专业背景： 计算机、人工智能、自然语言处理、信息检索、数据挖掘、数学等相关专业的博士或优秀硕士；

2. 02

   技术积累： 深入理解大模型架构及 RAG 全链路技术（如向量化、重排序、Graphrag），熟悉Agent框架者优先；

3. 03

   编程能力： 具备极强的工程实现能力，精通 Python 编程，熟练使用 PyTorch 或 DeepSpeed 等深度学习框架，熟悉 Linux 开发环境及主流向量数据库；

4. 04

   综合素质： 具有优秀的逻辑思维与问题解决能力，对技术前沿有极高的敏感度，发表过顶会论文（ACL, EMNLP, NeurIPS 等）者优先。