博客日志

当越来越多企业把大模型接入知识库后，一个现实问题开始暴露：很多错误答案并不是模型能力不足，而是检索环节出了问题。

传统 RAG（Retrieval-Augmented Generation）通常采用固定流程：用户提问 → 检索知识库 → 生成答案。如果第一次检索结果不准确，后续生成阶段往往会基于错误上下文继续输出，看起来合理但实际错误。

Agentic RAG 的核心思想是：让 Agent 参与检索决策，而不是把检索当成固定步骤。Agent 可以判断是否需要检索、选择哪个数据源、是否拆分问题、是否重新检索以及是否调用外部工具。这样检索从固定管道变成了动态决策过程。citeturn0search1turn0academia22

传统 RAG 与 Agentic RAG 的区别

传统 RAG 最大特点是单次检索、固定流程。

而 Agentic RAG 增加了规划、反思和工具调用能力：

• 可以选择向量库、SQL 数据库、知识图谱或 API。
• 可以把复杂问题拆分为多个子问题。
• 可以评估检索结果质量。
• 可以在发现信息不足时重新检索。
• 可以调用搜索引擎或外部系统补充信息。

因此它更适合复杂推理、多数据源和动态知识场景。citeturn0search1turn0academia21

四种典型设计模式

1. Routing RAG（路由型 RAG）

Agent 先理解用户意图，再决定访问哪个知识源。

例如查询产品规格时访问向量库；查询销售数据时访问 SQL；查询实时股价时调用 API。这样能够避免所有问题都进入同一套检索流程，提高准确率和效率。citeturn0search8

2. Multi-step RAG（多步检索）

适用于需要多跳推理的问题。

Agent 会把复杂问题拆解成多个子问题，逐步检索并汇总结果。例如分析两年财报差异、跨部门业务关系或复杂技术故障排查时，多步检索通常比一次向量搜索效果更好。citeturn0academia23turn0academia22

3. CRAG（Corrective RAG）

CRAG 的重点是纠错。

系统会先评估检索结果质量，如果发现相关性不足，则触发重新检索、外部搜索或内容过滤机制，从而减少错误上下文进入生成阶段。CRAG 的提出正是为了弥补传统 RAG 无法判断检索是否失败的问题。citeturn0academia20turn0search7turn0search5

4. Adaptive RAG（自适应 RAG）

并非所有问题都需要复杂检索。

Adaptive RAG 会先判断问题复杂度。简单问题直接回答；中等问题采用标准 RAG；复杂问题进入多步检索流程。这种方式能够在准确率与延迟之间取得更好的平衡。citeturn0search3turn0search4

企业落地时需要注意什么

Agentic RAG 并不一定适合所有场景。

如果业务问题主要是 FAQ、产品手册查询或固定知识问答，高质量传统 RAG 往往已经足够。社区实践中，不少团队发现优化分块策略、重排序模型和评测体系，收益甚至高于引入复杂 Agent。citeturn0reddit30

但对于金融分析、企业知识管理、研发助手、DevOps 运维平台、多系统数据查询等场景，Agentic RAG 可以显著提升复杂问题处理能力。其价值不在于让 Agent 更聪明，而在于让检索过程具备规划、验证和纠错能力。citeturn0academia23turn0search1

结语

Agentic RAG 不是一个具体产品，而是一类设计思想。Routing RAG 解决数据源选择问题，Multi-step RAG 解决复杂推理问题，CRAG 解决检索质量问题，Adaptive RAG 解决成本与效率问题。

未来企业级 AI 系统的发展方向，很可能不是单纯扩大模型参数，而是让模型学会在正确的时间、以正确的方式获取正确的信息。