17370845950

新闻动态

Agentic RAG：AI驱动的知识检索与建筑工程智能化转型

在建筑、工程和施工（AEC）行业中，快速访问和有效利用专业知识至关重要。传统的知识管理方法往往效率低下，难以满足日益增长的需求。Agentic RAG（Retrieval-Augmented Generation）的出现，为解决这一难题提供了全新的解决方案。它结合了检索增强生成技术和智能代理，能够更智能、更高效地检索和利用企业内部的知识库，为AEC行业的智能化转型注入强大动力。本文将深入探讨Agentic RAG的原理、在AEC行业的应用以及它所带来的优势。我们将分析其如何优化知识检索流程、提高决策效率，并最终推动整个行业的创新发展。无论您是AEC行业的从业者、技术专家还是对AI技术感兴趣的读者，本文都将为您提供有价值的见解和启示。通过Agentic RAG，AEC企业可以构建强大的知识引擎，实现知识的自动化检索、分析和应用，从而提升项目管理水平、降低运营成本，并在激烈的市场竞争中脱颖而出。让我们一起探索Agentic RAG如何开启AEC行业的智能化新时代。

核心要点

Agentic RAG 结合了检索增强生成技术和智能代理，优化知识检索流程。

Agentic RAG 通过 LLM 查询分类，智能判断用户意图。

Agentic RAG 可以根据查询类型选择不同的搜索工具，提高搜索效率。

Agentic RAG 在 AEC 行业的应用包括员工搜索和项目搜索。

Agentic RAG 有助于提升项目管理水平、降低运营成本。

Agentic RAG 核心概念与技术原理

什么是 Agentic RAG？

agentic rag 是一种 先进的知识检索和生成技术，它扩展了传统的 rag（retrieval-augmented generation）模型，通过引入智能代理（agent）来提升检索的智能化和生成结果的相关性。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

传统的 RAG 模型主要依赖于对知识库的简单检索，然后将检索到的信息传递给大型语言模型（LLM）进行生成。这种方法虽然能够利用外部知识，但往往缺乏对用户意图的深入理解和对检索结果的有效组织。

Agentic RAG 的核心在于引入智能代理， 这些代理能够理解用户的查询意图，根据查询类型选择合适的搜索工具，并对检索结果进行分析和筛选。通过这种方式，Agentic RAG 能够更精准地找到用户需要的信息，并生成更符合用户需求的结果。

简单来说，Agentic RAG 不仅仅是一个简单的搜索工具，更像是一个智能助手，它能够理解你的问题，利用各种资源找到答案，并以简洁明了的方式呈现给你。在 AEC 行业，这意味着工程师、设计师和项目经理可以更快速地找到所需的规范、标准、案例和专家，从而提高工作效率和决策质量。

RAG（Retrieval-Augmented Generation）技术详解

RAG，即 检索增强生成，是一种将预训练语言模型与信息检索系统结合的技术。它通过从外部知识库检索相关信息，来增强语言模型的生成能力。

传统的语言模型虽然强大，但其知识仅限于训练数据，难以应对不断变化的新信息。RAG 模型的出现，有效地解决了这个问题。

RAG 的基本流程如下：

用户提出查询： 用户输入一段文本，表达自己的问题或需求。
信息检索： RAG 模型使用信息检索系统（如向量搜索、关键词搜索）在外部知识库中查找与查询相关的文档或段落。
知识融合： RAG 模型将检索到的信息与用户的查询一起输入到预训练语言模型中。
生成答案： 语言模型根据融合后的信息生成答案或回复。

RAG 模型的优势在于：

知识更新： 可以随时更新外部知识库，使模型能够获取最新的信息。
可解释性： 生成的答案可以追溯到具体的知识来源，提高模型的可信度。
灵活性： 可以应用于各种任务，如问答、摘要、对话等。

Agentic RAG 的 Query Tree 架构：智能查询分类

Agentic RAG 的一个关键特性是其 Query Tree（查询树）架构。Query Tree 是一种分层结构，用于对用户的查询进行分类，并根据查询类型选择合适的处理路径。

这种架构使得 Agentic RAG 能够更智能地理解用户意图，并选择最有效的搜索策略。

Query Tree 的基本工作原理如下：

查询输入： 用户输入一段文本，表达自己的问题或需求。
查询分类： Agentic RAG 使用大型语言模型（LLM）对查询进行分类，判断查询的类型（如一般知识查询、员工搜索、项目搜索等）。
路径选择： 根据查询类型，Agentic RAG 选择 Query Tree 中相应的路径。
工具调用： 在不同的路径上，Agentic RAG 可以调用不同的搜索工具和知识资源。
结果生成： Agentic RAG 将搜索结果整合，并生成最终的答案或回复。

Query Tree 的优势在于：

智能化： 能够理解用户意图，选择最合适的搜索策略。
灵活性： 可以根据不同的查询类型调用不同的工具和资源。
可扩展性： 可以方便地添加新的查询类型和工具，扩展系统的功能。

Agentic RAG 在 AEC 行业的具体应用场景

员工搜索：快速找到合适的专家

在大型 AEC 企业中，员工众多，专业领域各异。当需要解决某个特定问题时，如何快速找到合适的专家往往是一个难题。Agentic RAG 的员工搜索功能，可以帮助企业员工快速找到具备特定技能或经验的同事。

员工搜索的工作流程如下：

用户输入查询： 用户输入一段文本，描述需要寻找的专家（如“需要一位熟悉 drone survey 的工程师”）。
查询分类： Agentic RAG 将查询分类为员工搜索。
工具选择： Agentic RAG 根据查询内容选择合适的搜索工具（如员工姓名搜索、职称搜
索、技能搜索、目录过滤等）。
知识检索： Agentic RAG 使用选定的工具在企业内部的员工数据库中查找相关信息。
结果生成： Agentic RAG 将搜索结果呈现给用户，包括专家的姓名、职称、技能、联系方式等。

通过员工搜索，AEC 企业可以：

快速找到合适的专家， 解决项目中的难题。
促进知识共享， 提高员工的协作效率。
优化人才管理， 更好地利用企业内部的人力资源。

项目搜索：高效检索历史项目经验

AEC 企业积累了大量的历史项目经验，这些经验对于新项目的规划和实施具有重要的参考价值。Agentic RAG 的项目搜索功能，可以帮助企业员工高效检索历史项目经验。

项目搜索的工作流程如下：

用户输入查询： 用户输入一段文本，描述需要检索的项目（如“需要了解我们公司在加州建造的 higher ed 项目”）。
查询分类： Agentic RAG 将查询分类为项目搜索。
工具选择： Agentic RAG 根据查询内容选择合适的搜索工具（如项目名称搜索、员工-项目搜索、经验搜索、目录过滤等）。
知识检索： Agentic RAG 使用选定的工具在企业内部的项目数据库中查找相关信息。这些数据库可能包括 Deltatech, Unet, AEC360, Open Asset等
结果生成： Agentic RAG 将搜索结果呈现给用户，包括项目的名称、描述、参与人员、关键技术、成功经验、失败教训等。

通过项目搜索，AEC 企业可以：

借鉴历史项目经验， 避免重复犯错。
提高项目规划和实施的效率， 降低项目风险。
积累企业知识， 提升企业的核心竞争力。

下面是一个项目搜索的例子：用户搜索“what higher ed projects have we built in MA which were over 200,000 sq ft”，Agentic RAG能够找到符合要求的所有项目。

项目名称	项目类型	州
Harvard University Life Sciences Research Center	Higher Education	MA
MIT Student Housing North Tower	Higher Education	MA

如何利用 Agentic RAG 提升 AEC 效率

步骤一：明确您的搜索目标

在使用 Agentic RAG 之前，首先要明确您需要解决的问题或寻找的信息。例如，您可能需要找到一位熟悉 BIM 技术的结构工程师，或者需要了解公司在过去五年中参与的所有绿色建筑项目。清晰的搜索目标是高效利用 Agentic RAG 的前提。

步骤二：选择合适的搜索入口

Agentic RAG 通常提供多个搜索入口，例如员工搜索、项目搜索、知识库搜索等。根据您的搜索目标，选择最合适的搜索入口。如果您需要寻找专家，可以选择员工搜索；如果您需要了解历史项目经验，可以选择项目搜索；如果您需要查找规范、标准或案例，可以选择知识库搜索。

步骤三：输入清晰的查询语句

清晰、简洁的查询语句能够帮助 Agentic RAG 更准确地理解您的意图，并找到您需要的信息。尽量使用专业术语和关键词，避免使用含糊不清的表达。例如，如果您需要寻找一位熟悉 Revit 技术的结构工程师，可以输入“Revit 结构工程师”。

步骤四：分析和利用搜索结果

Agentic RAG 会将搜索结果以清晰、简洁的方式呈现给您。仔细分析搜索结果，筛选出与您的目标最相关的信息。您可以进一步了解专家的技能和经验，或者深入研究历史项目的关键技术和成功经验。将这些信息应用到您的实际工作中，可以有效地提高工作效率和决策质量。

Agentic RAG 的优势与挑战

? Pros

更精准的搜索结果：智能代理能够理解用户意图，选择合适的搜索工具，并对检索结果进行分析和筛选，从而提供更精准的搜索结果。

更高的工作效率：快速找到所需的专家、经验和知识，提高工作效率和决策质量。

更强的知识管理能力：实现知识的自动化检索、分析和应用，提升企业的知识管理水平。

更低的运营成本：优化资源配置，降低项目风险，减少运营成本。

更强的创新能力：促进知识共享和经验交流，激发员工的创新思维，提升企业的创新能力。

? Cons

技术门槛较高： Agentic RAG 的部署和维护需要一定的技术投入。

数据质量要求较高： Agentic RAG 的搜索效果取决于数据源的质量和完整性。

隐私安全风险：需要采取有效的安全措施，保护企业内部的敏感信息。

常见问题解答

Agentic RAG 与传统的 RAG 模型有什么区别？

Agentic RAG 在传统的 RAG 模型的基础上引入了智能代理（Agent），能够更智能地理解用户意图，选择合适的搜索工具，并对检索结果进行分析和筛选。因此，Agentic RAG 能够更精准地找到用户需要的信息，并生成更符合用户需求的结果。

Agentic RAG 需要哪些数据源？

Agentic RAG 需要访问企业内部的各种数据源，包括员工数据库、项目数据库、知识库、规范库、标准库、案例库等。数据源的质量和完整性直接影响 Agentic RAG 的搜索效果。

Agentic RAG 的部署和维护成本高吗？

Agentic RAG 的部署和维护成本取决于企业的具体情况，包括数据源的规模、系统的复杂性、以及所需的功能和性能。一般来说，Agentic RAG 的部署和维护需要一定的技术投入，但从长远来看，它可以显著提高工作效率和决策质量，降低运营成本，从而带来可观的经济效益。