将𝗠𝗖𝗣添加到𝗔𝗴𝗲𝗻𝘁𝗶𝗰𝗥𝗔𝗚系统。 如果您正

将𝗠𝗖𝗣添加到𝗔𝗴𝗲𝗻𝘁𝗶𝗰 𝗥𝗔𝗚系统。 如果您正在构建 RAG 系统并打包许多数据源以供检索，则很可能至少在检索阶段的数据源选择中存在一些机构。 这就是 MCP 在这种情况下丰富 Agentic RAG 系统演进的方式 ( 𝘱𝘰𝘪𝘯𝘵 2. ): 𝟭 。用户查询分析：我们将原始用户查询传递给基于 LLM 的代理进行分析。其中： ➡️原始查询可以重写，有时可以重写多次，以创建要传递到管道的单个或多个查询。 ➡️代理决定是否需要额外的数据源来回答查询。 𝟮 。如果需要附加数据，则触发检索步骤。我们可以利用各种数据类型，以下是一些示例： ➡️实时用户数据。 ➡️用户可能感兴趣的内部文档。 ➡️数据可在网上获取。 ➡️ … 𝗧𝗵𝗶𝘀 𝗶𝘀 𝘄𝗵𝗲𝗿𝗲 𝗠𝗖𝗣 𝗰𝗼𝗺𝗲𝘀 𝗶𝗻 ： ✅每个数据域都可以管理自己的 MCP 服务器，并公开数据使用的具体规则。 ✅可以确保每个域的服务器级别的安全性和合规性。 ✅新的数据域可以以标准化的方式轻松地添加到 MCP 服务器池中，而无需重写代理，从而实现系统在𝗣𝗿𝗼𝗰𝗲𝗱𝘂𝗿𝗮𝗹 、 𝗘𝗽𝗶𝘀𝗼𝗱𝗶𝗰 𝗮𝗻𝗱 𝗦𝗲𝗺𝗮𝗻𝘁𝗶𝗰 𝗠𝗲𝗺𝗼𝗿𝘆方面的解耦演进。 ✅平台构建者可以以标准化的方式向外部消费者公开其数据，从而实现轻松访问网络上的数据。 ✅人工智能工程师可以继续关注代理的拓扑结构。 𝟯 。与常规嵌入器相比，检索到的数据由更强大的模型进行整合和重新排序。数据点的范围显著缩小down. 𝟰 。如果不需要额外的数据，我们会尝试直接通过 LLM 来编写答案（或多个答案或一组操作）。 𝟱答案将被分析、总结和评估，以确保其正确性和相关性： ➡️如果代理认为答案足够好，就会将其返回给用户。 ➡️如果代理认为答案需要改进，我们会尝试重写用户查询并重复生成循环。 你在 Agentic RAG 系统中使用 MCP 吗？请在评论区分享你的使用体验👇 LLM AI MachineLearning编程严选网