Notice
Recent Posts
Recent Comments
Link
반응형
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | ||
6 | 7 | 8 | 9 | 10 | 11 | 12 |
13 | 14 | 15 | 16 | 17 | 18 | 19 |
20 | 21 | 22 | 23 | 24 | 25 | 26 |
27 | 28 | 29 | 30 |
Tags
- tool_call_chunks
- chat_history
- Ai
- toolnode
- LangChain
- subgraph
- humannode
- Python
- REACT
- RecSys
- 추천시스템
- rl
- pinecone
- fastapi
- update_state
- rag
- langgraph
- adaptive_rag
- conditional_edges
- agenticrag
- summarize_chat_history
- add_subgraph
- 강화학습의 수학적 기초와 알고리듬의 이해
- tool_calls
- langgrpah
- 강화학습의 수학적 기초와 알고리듬 이해
- 밑바닥부터 시작하는 딥러닝
- 밑바닥부터시작하는딥러닝 #딥러닝 #머신러닝 #신경망
- 강화학습
- removemessage
Archives
- Today
- Total
반응형
목록adaptive_rag (1)
반응형
타임트리

Adaptive RAG일반적인 RAG (흔히 말하는 Naive RAG 혹은 Advanced RAG)의 경우, 개발자가 전체적인 흐름을 정의하게 된다. 그리고 해당 흐름은 고정되어 있다. 아래와 같은 그래프의 경우 일반적인 RAG의 흐름이다. 아래 흐름에서는 우선 문서를 검색해서 가져온다. 그리고 문서의 연관성을 판단한 뒤, 만약 질문과 연관있는 문서가 retrieve되지 않았다면, 쿼리를 재작성하고 새로 작성된 쿼리로 문서를 가져온다. 다시 생각해보면, 위 흐름은 고정되어 있기 때문에 질문이 들어오면 해당 질문을 토대로 무조건 문서를 가져오게 된다. 즉, 벡터스토어로부터 문서를 검색하는 선택지 이외의 web search가 필요한지 여부 혹은 바로 LLM의 답변이 필요한지 여부는 고려하지 않는다. 이럴 ..
LLM/LangGraph
2025. 1. 28. 04:11