Der modulare Aufbau von RAGLight ermöglicht es dem Benutzer, je nach Bedarf verschiedene Arbeitsmodi zu wählen: Der Standard-RAG-Modus implementiert den grundlegenden Retrieval-Generierungsprozess; der Agentic-RAG-Modus fügt die Intelligent-Body-Funktionalität hinzu, um mehrstufige Schlussfolgerungen und eine dynamische Anpassung der Retrieval-Strategie zu unterstützen; und der RAT-Modus (Retrieval Augmented Thinking) verbessert die Logik und die Genauigkeit der Antworten durch die Einführung eines Reflexionsschritts weiter. Diese drei Modi werden durch verschiedene Pipeline-Klassen implementiert (z.B. RAGPipeline, AgenticRAGPipeline, RATPipeline), die dem Benutzer ein komplettes Set von RAG-Lösungen bieten, von grundlegend bis fortgeschritten.
Diese Antwort stammt aus dem ArtikelRAGLight: Leichtgewichtige Python-Bibliothek zur Generierung von AbruferweiterungenDie
