Agentic RAG
继前面所学的
RAG之后的深入学习,所以对Agentic RAG进行了解这一篇是对上一篇的衔接与续写
0x01 ~ 衔接上文
传统 RAG 即前面所学的非智能体化(Non-Agentic)RAG。
Non-Agentic RAG 流程通常是一个简单直接的单向数据流:用户的查询直接用于检索,检索结果直接注入模型上下文,模型直接生成最终答案。
0x02 ~ 为什么需要 Agentic RAG
Non-Agentic RAG 模式虽然相对高效,但其能力上限也很低。
本质上来说,其只是一个被动的 ”检索 - 生成“ 过程。Non-Agentic RAG 模式缺乏对问题进行深度理解、分解和迭代探索的能力。
1、缺乏深度理解(过度依赖字面匹配):传统 RAG 只是机械地将用户的原话转为向量去检索,既不理解用户的真实意图,也不判断是否有必要检索。
2、缺乏问题分解能力(无法应对复杂与多跳问题):当一个复杂问题包含多个子问题,或者需要“先查出 A,再根据 A 去查 B”时,单次检索往往顾此失彼。
3、缺乏迭代探索能力(”一锤子买卖“,没有纠错机制):在传统 RAG 中,检索只发生一次。如果第一次召回的片段里没有答案,流程不会回头,只是继续往下走。
基于上述原因,必须将 RAG 从一个固定的数据处理流程,升级成由 Agent 主导的、动态的、迭代的探索过程。这也就是 Agentic RAG 的思想。
0x03 ~ 什么是 Agentic RAG
Agentic RAG(智能体检索增强生成) 是将 AI Agent(智能体) 的自主规划、工具调用和反思能力引入 RAG 系统的技术架构。
定义总是枯燥乏味的。
简单来讲,Agentic RAG 就是将 RAG 的处理封装成了工具供 Agent 调用,由 Agent 自主判断选择何时使用。
0x04 ~ Agentic RAG 的流程
在面对复杂问题时,Agent 会首先 ”思考“ 分析核心需求,来自主决定使用什么关键词有效获取信息(Thought);然后 Agent 进行 ”行动“ 调用封装好的工具(Action);在 ”观察“ 到初步结果后不会立即生成答案,而是会判断信息是否充分能够得到最终的答案(如果不够则会进行下一轮循环,提炼更精确的查询再次搜索,还可能调用其他工具辅助,直到收集到充分信息能够得到最终答案)(Observation)。
Agentic RAG 即融入了 ReAct 模式,Thought → Action → Observation

这里再附上一张 Non-Agentic RAG 的概况流程图供与 Agentic RAG 参考对比

