Agentic RAG
Agentic RAG是一种结合智能体（Agent）机制与检索增强生成（RAG）技术的AI架构范式。它将检索操作封装为可调用工具，赋予大型语言模型自主规划、多步推理和动态迭代的能力，使模型能够根据任务需求自主决定何时检索、检索什么，并对结果进行验证与整合，从而处理比传统RAG更复杂的多跳问答和长链推理任务。
核心事实
时间轴 (近 90 天)
在Google FRAMES基准测试中，一个简单的Agent循环（能读取检索结果并再次搜索）达到了92.7%的准确率
在多跳问题中，答案散落在多个文档里，需要先找到线索A才能知道该去查线索B，Agent循环把检索从一次性动作变成可反复执行的工具调用
三智能体协作团队将系统延迟翻了一倍，却没有带来准确率的提升
架构复杂度应与任务收益匹配，当候选空间封闭且有限时多智能体的协商验证机制可能只增加成本而未触及准确率瓶颈
在封闭词汇表的分类任务上，堆叠智能体角色并不会自动带来准确率收益，反而增加通信开销与延迟
研究对比了五种策略：词法基线、稠密检索+LLM重排序、零样本模式约束的LLM、单智能体Agentic RAG、三智能体协作团队
微软资深工程师 Bob Ward 在《Data Exposed》节目中提出把聊天补全和Agentic RAG直接搬进SQL引擎内部，让数据不出库完成AI推理
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
全部知识事实 (16)
RAG的技术演进经历了三个阶段：Naive RAG、Advanced RAG和Modular RAG
80%已验证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
65%已验证传统RAG的流程是单向固定的一次性流程，而Agentic RAG是循环迭代的多步执行流程
65%待验证Agentic RAG用搜索工具替代了固定流水线，让Agent自主决定是否调用搜索、何时重写查询、是否需要多轮检索
90%待验证传统RAG中大模型只在最后的生成阶段才被使用，而Agentic RAG从用户输入问题的那一刻起就让大模型参与决策
90%待验证Agentic RAG的实现依赖模型具备三类关键能力：规划能力（Planning）、工具调用能力（Tool Use）和多步迭代能力（Iteration）
80%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
80%待验证Agentic RAG中模型可以在一次用户请求中执行5-10次甚至更多的工具调用
70%待验证Agentic RAG采用'思考→行动→观察→再思考'的循环闭环模式，模型可以在生成最终答案之前进行多步工具调用和动态策略调整
60%待验证在多跳问题中，答案散落在多个文档里，需要先找到线索A才能知道该去查线索B，Agent循环把检索从一次性动作变成可反复执行的工具调用
50%待验证在Google FRAMES基准测试中，一个简单的Agent循环（能读取检索结果并再次搜索）达到了92.7%的准确率
50%待验证三智能体协作团队将系统延迟翻了一倍，却没有带来准确率的提升
50%待验证在封闭词汇表的分类任务上，堆叠智能体角色并不会自动带来准确率收益，反而增加通信开销与延迟
50%待验证架构复杂度应与任务收益匹配，当候选空间封闭且有限时多智能体的协商验证机制可能只增加成本而未触及准确率瓶颈
50%待验证研究对比了五种策略：词法基线、稠密检索+LLM重排序、零样本模式约束的LLM、单智能体Agentic RAG、三智能体协作团队
50%待验证微软资深工程师 Bob Ward 在《Data Exposed》节目中提出把聊天补全和Agentic RAG直接搬进SQL引擎内部，让数据不出库完成AI推理
50%