生成式AI的发展日新月异，一不小心你就会淹没在新的概念中。RAG（检索增强生成）、Agent（智能体）作为主流的大语言模型（LLM）应用形式已经广为人知。这不还经常听到一个词：Agentic RAG，前两天还有人问小编它到底是RAG还是Agent？今天我们就来彻底说清楚Agentic RAG。
首先，RAG是什么？RAG是用检索到的外部知识来对LLM进行能力增强的一种技术，旨在降低LLM的幻觉并让其更好的适应特定领域内的应用场景。通俗的讲：RAG就是给LLM增加一个可快速查询的“外挂”知识库，增强其能力，以防它不懂的时候胡说八道。
RAG = LLM + 知识库 + 检索器
它可以让AI准确的回答诸如这样的问题：
公司的财务报销审核流程是怎样的？
上半年销售业绩前三名代理商是谁？
总结公司最新财报中的关键要点？
经典的RAG流程是借助检索器从知识库中查询问题相关（语义接近）的内容，并把这些内容作为LLM回答的上下文，从而得出最终答案。
现在，让我们考虑以下几个查询场景：
需要能够使用不同的检索技术来应对不同类型的查询问题。如既能回答事实性查询（”xPhone手机详细参数“），也能回答总结性的问题（”总结下这篇论文要点“）
需要融合多个数据源的检索结果给出响应。比如这样的查询：
”查询销量最高的三个代理商的摘要信息及其关联公司“
这里的问题是：
查询销量最高的代理商需要查询CRM系统的数据库
代理商的详细信息存储在非结构化文档中
关联公司的查询需要查询某个知识图谱数据库
单一的RAG检索与生成管道显然无法应对这样的问题。
需要结合外部工具来增强RAG管道的回答能力与响应质量。比如这样一个查询任务：
“对比竞品公司产品与我公司产品，并总结媒体评论”
为了完成这个问题，你需要：
借助本地检索器，查询自身产品信息
借助Web搜索查询竞品信息
借助公开的API查询某些自媒体评论
这样的一个融合性查询任务也是单一RAG管道无法完成的。
希望RAG在检索相关数据后能够自我反思评估，必要时重新检索甚至改写问题。
这些都是在实际应用中可能会面临的需求，经典的RAG方案在面临这些场景时会捉襟见肘，因此更“Agentic”的RAG出现了。
Agentic RAG就是一种融合了Agent能力的RAG，而Agent的核心能力是自主推理与行动。所以Agentic RAG就是将AI智能体的自主规划（如路由、行动步骤、反思等）能力带入到传统的RAG，以适应更加复杂的RAG查询任务。
Agentic RAG如何应对这些典型的复杂任务？一起来看。
整体来说，Agentic RAG的“智能体”特征主要体现在检索阶段，相对于传统RAG的检索，Agentic RAG更能够：
决定是否需要检索
自主决策使用哪个检索引擎
自主规划使用检索引擎的步骤
评估检索到的上下文，并决定是否重新检索
自行规划是否需要借助外部工具
Agentic RAG在整体流程上与传统RAG一脉相承：检索-合成上下文-生成，但由于融入了Agent的自主能力，从而具有更强的适应性与任务质量。
这里的传统RAG指遵循“检索-上下文-生成”单一顺序流程的RAG应用。随着开发框架的不断完善，当前一些常用的高级RAG模块已经具备了部分Agentic的特征，比如：语义路由、多步骤查询转换、子问题查询转换等。
| 传统单一流程RAG | Agentic RAG
|
| 场景 | 数据环境简单、任务单一
| 企业级数据环境，任务多样
|
数据源
| 通常基于单个检索引擎 | 通常基于多个检索引擎 |
| 索引 | 向量索引为主 | 可灵活结合多种索引
|
检索规划
| 无规划或静态规则 | 动态规划下一步检索策略 |
多步检索
| 通常不支持
| 借助多步骤推理自主实现
|
| 外部工具 | 通常不支持 | 自动推理使用必要的工具
|
| 反省机制 | 通常不支持
| 借助反省优化问题或重新检索
|
灵活性
| 不够灵活，流程固定
| 自主推理，或灵活编排
|
与顺序式的传统RAG架构相比，Agentic RAG的核心是Agent，而RAG管道（通常是检索器，也可能是完整的RAG查询引擎）则可以看作是Agent使用的一种工具，从而完美的融合到Agent的架构中。
从这个角度说，Agentic RAG是RAG，但更是Agent。从技术架构看，也存在单Agent架构与多Agent架构。
【单Agent的Agentic RAG】
在这个架构中，只有一个具有自主能力的Agent。RAG管道与外部工具都作为Tool提供给Agent，Agent根据输入问题规划与决策这些工具的使用，检索与累积更全面的上下文，最后输出全面而准确的结果。
如果这里的Agent每次规划只会选择一个后端RAG检索管道，那么也就退化成了一个语义路由器模块。
【多Agent的Agentic RAG】
这是一个多层的Agent架构：一个顶层的Agent负责协调多个二级Agent，每个二级Agent再负责特定领域或特定类型的检索或查询任务，可以根据需要灵活划分不同Agent的职责。
比如，你可以这样设计：
Agent1负责企业内部知识库的检索。协调使用多个不同索引类型的检索器，如向量、知识图谱、甚至SQL检索。
Agent2负责客户相关数据的检索任务。协调使用多个不同地区客户数据的检索器。
Agent3负责借助各种工具从互联网检索必要的外部信息。
顶层的Agent则负责管理与协调使用上面三个Agent来共同完成复杂查询任务，实现任务拆分、派发与搜集结果，并最终响应用户。
多Agent的Agentic RAG架构具备更大的灵活性，实际开发中，你可以对不同的Agent进行单独规划、实现与调试，最后组合成一个更完备的RAG系统，提供超越传统的查询能力。
Agentic RAG通过将智能体的核心能力引入到传统RAG，借助Agent的规划与推理能力，极大的增强了RAG检索的全面性、灵活性与准确性，使得能够执行更复杂与多样的数据密集型的查询任务，激发了RAG应用的新潜力。
当然，进步也伴随着挑战。利用智能体思想完成复杂任务也带来了对LLM的更深层依赖，引发了新的响应延迟与不确定性的问题。因此，在开发和使用 Agentic RAG 系统时，需要审慎考虑其优劣，以实现更高效和可靠的应用。
粤ICP备14082021号
免费POC，
零成本试错
