Agentic RAG

有何不同

RAG（检索增强生成）是让大语言模型（LLM）在回答前从外部文档或数据库中查找相关内容作为参考的技术。借助它，可以利用训练数据中没有的最新信息或公司内部资料。但传统 RAG 遵循“收到问题后检索一次，附上固定数量的文档后作答”的固定顺序，因此不擅长需要多步推敲的复杂问题。Agentic RAG 在这一流程中加入能自主判断的 AI 智能体，使检索方法和顺序可以根据情况调整。

工作原理

智能体首先查看问题，判断是否需要检索，并规划在哪里查找什么。读完检索结果后，它会自行检查内容是否充分、是否与问题相关，这被称为“反思（Reflection）”。如果不够，就更换检索词或使用其他工具（网页搜索、数据库查询等）重新查找。复杂的任务也可以由多个智能体分工承担。如此反复“规划 → 检索 → 检查 → 再检索”，当判断依据已经充分时，生成最终答案。

发展历程

据维基百科介绍，“RAG”一词最早出现在 2020 年的一篇论文中。该论文提出了语言模型在作答时检索外部记忆存储并加以利用的方法。2023 年 Akari Asai 等人发表的“Self-RAG”训练模型只在确实需要时才检索，并自行评估找到的文档和自己的回答。这是从无条件检索转向“AI 自行判断后检索”的重要一步。2025 年 Aditi Singh 等人发表的综述论文“Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG”汇总了将规划、工具使用、多智能体协作等智能体技术与 RAG 结合的多种方式，并按智能体数量、控制结构、自主程度等进行了分类。

为何受到关注

实际工作中提出的问题，很多仅靠查找一份文档难以回答。Agentic RAG 可以在多份资料之间往返并逐步推理，因此能更好地应对这类问题。上述综述论文整理了其在医疗、金融、教育、企业文档处理等领域的应用案例。此外，RAG 可以同时展示答案的出处，便于用户直接核实内容，而智能体方式正在保留这一优点的同时，朝着提升检索质量的方向发展。

注意事项

由于要多次重复检索和检查，它可能比传统 RAG 响应更慢、成本更高。如果智能体判断失误，还可能持续查找无关资料或执行不必要的步骤。正如维基百科所指出的，即使找到了正确的资料，若误解上下文也可能产生错误答案（幻觉），RAG 的这一局限依然存在。综述论文将性能评估方法、多智能体之间的协调、记忆管理、效率以及管理与控制（治理）列为尚待解决的课题。

示例

设想向公司内部 AI 助手提问：“上个季度我们团队的项目中有超出预算的吗？原因是什么？”如果是传统 RAG，它会找几份相似文档试图一次作答，可能会遗漏内容。采用 Agentic RAG 方式的助手则会分步处理：先找出项目列表，确认各项目的预算文档，然后针对超支的项目再次检索会议记录以查找原因。最后，它会检查找到的依据是否足以回答问题，并将参考的文档作为出处一并展示。

相关术语

RAG AI 智能体 工具使用 多智能体 GraphRAG 幻觉

参考资料

• Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG (2025)
• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection (2023)
• Retrieval-augmented generation - Wikipedia (en.wikipedia.org)