一、前言
- RAG 和 TAG 是AI 应用中非常热门的两个概念：
- RAG（检索增强生成）
- TAG（任务增强生成）
二、RAG
- 📌 全称：Retrieval-Augmented Generation（检索增强生成）
- 🧠 一句话解释：
- RAG 是一种结合 知识检索 和 大模型生成 的 AI 架构：
- 它先从外部数据库中检索知识，再把这些信息喂给大语言模型（LLM）进行回答。
- ✅ 举个例子：
- 当你问AI：“OpenAI 是什么时候成立的？”
- 系统流程如下：
- 1.检索：从本地知识库或向量数据库找相关文本：“OpenAI 在2015 年成立，总部旧金山。”
- 2.生成：将这段文本交给大语言模型，生成回答： “OpenAI 成立于 2015 年。”
- 📌 关键点：模型不是靠“死记硬背”，而是靠“查资料再回答”。
三、TAG
- 📌 全称（在 AI 场景下）：Task-Augmented Generation（任务增强生成）
- 有时也指 Tool-Augmented Generation（工具增强生成）
- 🧠 一句话解释：
- TAG 是一种让大模型通过调用外部工具/接口/子任务来提升回答能力的方式。
- ✅ 举个例子：
- 当你问AI：“今天北京的天气怎么样？”
- 系统处理流程：
- 1.模型识别这是一个“天气查询任务”。
- 2.TAG 架构下的 Agent 会：调用天气 API，如 【https://api.weather.com/beijing】
- 把返回的结果让模型生成自然语言回答：“今天北京晴天，气温在18-25度之间。”
- 📌 关键点：模型本身不会预测天气，而是“调用工具来获取答案”。
四、RAG-Demo代码示例（本地知识检索 + LLM）
- 🧩 用途：你有一堆文档，用户提问后，系统先在文档中找相关内容，再交给 LLM 回答。
- 🧰 安装：
pip install openai faiss-cpu sentence-transformers
- ✅ 示例代码（rag_demo.py）：
import faiss
from sentence_transformers import SentenceTransformer
import openaiopenai.api_key = "your-api-key"# 模拟知识库
docs = ["OpenAI 是一家人工智能公司，成立于 2015 年，总部位于旧金山。","Python 是一种流行的编程语言，适合 AI 开发。","GPT 是一种生成式语言模型，支持问答、写作和代码生成。"
]# 文本向量化
model = SentenceTransformer('paraphrase-MiniLM-L6-v2')
doc_embeddings = model.encode(docs)# 建立向量索引
index = faiss.IndexFlatL2(len(doc_embeddings[0]))
index.add(doc_embeddings)def ask(question):q_vec = model.encode([question])_, I = index.search(q_vec, k=1)matched_doc = docs[I[0][0]]prompt = f"你是一个问答助手。参考以下资料回答问题：\n\n资料：{matched_doc}\n\n问题：{question}"res = openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=[{"role": "user", "content": prompt}])return res['choices'][0]['message']['content']# 🧪 测试
print(ask("OpenAI 是哪年成立的？"))
- 🧠 输出：OpenAI 成立于 2025年。
注：‘’ return pres[‘choices’][0][‘message’][‘content’] ''的作用
- 作用：
- 返回最终生成的回答文本（即 LLM 回复的那句话）；
- “把模型生成的回答拿出来”的标准写法。
- 📦 背景：首先我们要明确OpenAI 的响应结构是什么样的？
- 当调用：
openai.ChatCompletion.create(...)
- LLM的返回结果是一个 JSON 字典结构，大致如下：
//json
{"id": "chatcmpl-123","object": "chat.completion","created": 1699999999,"model": "gpt-3.5-turbo","choices": [{"index": 0,"message": {"role": "assistant","content": "你好，我是你的 AI 助手。" //最终要返回的回答结果},"finish_reason": "stop"}],"usage": {...}
}
因此我们需要使用该语句对最终的目标回答结果进行提取，具体的结构化流程如下：
| 代码片段 | 意义 |
|---|---|
res | 模型完整响应结果（字典） |
res['choices'] | 所有生成候选结果（通常只有一个） |
res['choices'][0] | 第一个生成结果 |
res['choices'][0]['message'] | 聊天消息内容（含角色和回答） |
res['choices'][0]['message']['content'] | ✅ 模型生成的纯文本回答 |
五、TAG-Demo代码示例（调用接口 + LLM 回复）
- 🧩 用途：
- 提问一个任务型问题，系统调用工具（如 API），然后让 LLM 把结果转换成自然语言回答。
- ✅ 示例代码（tag_demo.py）：
import openai
import datetimeopenai.api_key = "your-api-key"# 模拟一个外部工具函数
def get_current_time(city):return f"{city} 当前时间是 {datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')}"def ask_with_tool(question):# 简单判断任务类型（可用 LLM 实现意图识别）if "时间" in question and "北京" in question:tool_result = get_current_time("北京")else:tool_result = "无法识别的任务"prompt = f"你是一个智能助手，请根据以下工具返回结果，用自然语言回答问题。\n\n问题：{question}\n工具结果：{tool_result}"res = openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=[{"role": "user", "content": prompt}])return res['choices'][0]['message']['content']# 🧪 测试
print(ask_with_tool("现在北京的时间是多少？"))
- 🧠 输出：2025年5月23日 11:26:00 。
五、总结
📌 RAG 和 TAG 的区分：
| 特性 | RAG | TAG |
|---|---|---|
| 全称 | Retrieval-Augmented Generation | Task/Tool-Augmented Generation |
| 本质 | 查知识 | 执行任务 / 调工具 |
| 输入来源 | 向量数据库、文本库 | API、数据库、插件、子模型等 |
| 应用场景 | 知识问答、客服、RAG ChatBot | 智能助手、代码执行、天气查询等 |
| 举例 | “OpenAI 成立时间？” → 查文库再答 | “北京天气？” → 查 API 再答 |
📌 RAG 和 TAG 的对话处理流程：
| 项目 | RAG 示例 | TAG 示例 |
|---|---|---|
| 输入 | 用户问题 | 用户问题 |
| 中间 | 检索匹配内容 | 调用任务函数 |
| 输出 | 文本回答 | 文本回答 |
| 核心流程 | 向量搜索 → 交给 LLM | 工具调用 → 交给 LLM |
📌 一句话总结：RAG 是“查资料 + 回答”，而TAG 是“调用工具 + 回答”。
 2025.5.20)
