已验证65% 置信事实精确时间
Agent在RAG场景中可以判断是否需要检索、检索哪个知识库、是否需要多轮检索或调用外部工具，工作流将多个步骤编排成有向图支持条件分支、并行处理和循环迭代
3
来源数
65%
置信度
长期有效
时效性
2026/9/15
首次发现
来源
涉及实体
相关事实
待验证Background Agents的底层依赖于Agent Loop架构，通过RAG技术索引整个项目代码库，并通过工具调用执行文件读写、终端命令、代码搜索等操作78% 相似待验证Agentic RAG赋予模型自主规划能力，可判断信息是否充分、决定是否多轮检索、选择调用工具或数据源，并进行自我反思和迭代修正74% 相似已验证Agent系统的可观测性需要处理语义层面的信息，不仅要知道调用了什么API和耗时，还需理解Agent决策原因和推理质量，因此评估引擎必须与追踪系统深度耦合74% 相似待验证Agent框架通过工具调用、检索增强生成（RAG）、记忆管理系统、规划与反思机制来弥补大语言模型的固有限制74% 相似部分验证Agentic RAG的核心思想是将RAG中的各个环节封装成可调用的工具（Tool），并赋予大模型自主决策的能力73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/923401API
curl https://kongchang.com/api/v1/knowledge/claims/923401MCP
get_claim(id=923401)