LLM 开发模式 RAG，MRKL，Re-Act，Plan-Execute 模式对比

本文主要是介绍LLM 开发模式 RAG，MRKL，Re-Act，Plan-Execute 模式对比，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

本心、输入输出、结果

文章目录

LLM 开发模式 RAG，MRKL，Re-Act，Plan-Execute 模式对比
- 前言
- - RAG、MRKL、Re-Act和Plan-Execute模式的一些对比
  - 花有重开日，人无再少年
  - 实践是检验真理的唯一标准

LLM 开发模式 RAG，MRKL，Re-Act，Plan-Execute 模式对比

编辑：简简单单 Online zuozuo
地址：https://blog.csdn.net/qq_15071263

个人简介 : 简简单单Online zuozuo，目前主要从事 Java 相关工作，商业方向为 B、G 端，主要使用Java、Python 进行日常开发，喜欢探索各个方面的内容，对很多的方向、内容感兴趣：目前对 AIGC、云计算、物联网方向感兴趣

未闻万里蓬莱，而窥先圣遗智。故，以此生筑梦，奔而逐之;以泰山之伟，攀而登之;以静雅素心，处世为人。

欢迎有兴趣的朋友相互交流，共同成长。微信: tja6288 商务合作/资料获取/技术交流

如果觉得本文对你有帮助，欢迎点赞、收藏、评论

前言

LLM 开发模式 RAG，MRKL，Re-Act，Plan-Execute 模式对比

在这里插入图片描述

RAG、MRKL、Re-Act和Plan-Execute模式的一些对比

以下是对RAG、MRKL、Re-Act和Plan-Execute模式的一些对比

对比项	RAG (Retrieval-Augmented Generation)	MRKL (Multi-hop Retrieval-and-Knowledge-based Language Modeling)	Re-Act (Re-Annotate and Act)	Plan-Execute
定义	集检索和生成于一体的AI模型，通过综合考虑生成和检索过程实现更准确的知识检索和答案生成。	基于多跳检索和知识图谱的语言建模方法，通过多步骤检索和知识推理解决开放领域的问答问题。	一种基于知识图谱和自然语言处理技术的问答系统，通过重新标注和执行操作实现问答任务的自动化。	一种基于计划和执行的对话系统，通过制定对话计划和执行计划来实现对话的自动化。
应用领域	知识问答、搜索引擎优化、自然语言处理等。	开放领域的问答系统、自然语言处理等。	知识问答、智能客服等。	对话系统、智能客服等。
主要特点	高效率、准确性、灵活性和可扩展性。能够实现更准确、更快速的知识检索和答案生成。	能够处理复杂的问题和进行多步骤的推理，提高答案的准确性和全面性。	通过重新标注和执行操作实现自动化问答，提高了系统的灵活性和适应性。	通过制定对话计划和执行计划实现对话的自动化，提高了系统的可控性和效率。
优势	能够提高知识问答的准确性和效率，同时能够处理复杂的问题。	可以处理开放领域的问题，并通过多步骤检索和知识推理提高答案的准确性和全面性。	可以提高系统的灵活性和适应性，同时能够实现自动化问答。	可以提高系统的可控性和效率，同时能够实现自动化对话。
挑战与限制	需要解决复杂的问题和进行多步骤的推理，同时需要处理大规模知识和实时信息的更新问题。	需要处理大规模知识和实时信息的更新问题，同时需要进行多步骤检索和知识推理。	需要重新标注数据和制定相应的操作策略，同时需要处理自然语言的不确定性和复杂性。	需要制定有效的对话计划和执行策略，同时需要处理自然语言的不确定性和复杂性。