传统 RAG 与 Agentic RAG 对比分析
在人工智能快速发展的当下，大语言模型（LLM）技术取得了显著进步，但也面临诸多挑战。检索增强生成（RAG, Retrieval-Augmented Generation）技术应运而生，为提升语言模型性能提供了新途径。不过，传统 RAG 存在一定局限，而 Agentic RAG 则试图突破这些瓶颈，带来更强大的功能体验。本文将深入探究二者的差异、核心机制及应用前景。
1. 传统 RAG 的困境
传统 RAG 的工作流程主要包括：先将文档进行编码，通过嵌入模型转化为向量形式存储在数据库中。当接收到用户查询时，对查询进行编码，然后在数据库中进行相似度搜索，找到最相似的文档，将其作为上下文信息与查询一起构建提示（Prompt），最后输入到 LLM 中生成回答。
![图：传统 RAG 工作流程示意图]
看似流畅的流程，却隐藏着不少问题，主要体现在以下几个方面：
1.1 单次检索生成的局限
传统 RAG 仅进行一次检索和生成。在实际应用中，如果初始检索到的上下文信息不足，它无法根据需求动态搜索更多信息。比如，当用户询问一个涉及多领域交叉的复杂问题时，一次检索获取的内容可能只是问题的冰山一角，难以全面准确地回答问题。这种'一锤子买卖'的模式在面对需要多跳推理（Multi-hop Reasoning）的任务时尤为吃力。
1.2 推理能力短板
面对复杂查询，传统 RAG 在推理方面显得力不从心。像一些需要逻辑推导、多步分析的问题，它无法像人类一样进行深入思考和推理，只能简单地匹配和组合已有信息，导致回答质量不高。例如，用户问'为什么 A 公司的股价下跌了？'，传统 RAG 可能只检索到关于 A 公司新闻的片段，而无法关联宏观经济数据或行业报告进行综合分析。
1.3 缺乏策略调整能力
传统 RAG 系统缺乏自适应能力，无论面对何种问题，都采用固定的处理方式，无法根据问题的类型、复杂程度等因素灵活调整策略。对于简单的事实性问题，直接检索即可；但对于模糊或开放性问题，系统仍机械地执行相同的检索 - 生成流程，难以满足多样化的用户需求。
2. Agentic RAG 的创新突破
Agentic RAG 旨在解决传统 RAG 的上述问题，其核心思想是在 RAG 的各个阶段引入智能化（Agentic）行为，通过智能代理（LLM Agent）来优化整个流程。Agent 具备感知、规划、行动和反思的能力，能够自主决定何时检索、检索什么以及如何验证结果。
![图：Agentic RAG 动态工作流示意图]
下面结合其具体步骤来深入了解其架构创新：
2.1 查询重写与意图识别（Query Rewriting & Intent Recognition）
当用户查询输入后，智能代理首先对初始查询进行重写。这一过程不仅可以纠正拼写错误，还能对模糊、歧义的表述进行澄清，将用户的意图转化为更精准的查询语句，为后续获取更准确的信息奠定基础。
- 示例：用户输入'苹果的最新产品有哪些'，智能代理可能会将其重写为'苹果公司 2024 年发布的最新电子产品有哪些'，明确了时间范围和主体，提高查询的准确性。
- 技术实现：通常利用 LLM 的指令遵循能力，结合 Few-Shot Prompting 或微调模型来实现查询分解和扩展。
2.2 上下文信息智能判断与多源检索（Context Judgment & Multi-Source Retrieval）
重写后的查询进入判断环节，智能代理会评估是否需要更多上下文信息。若判断不需要，重写后的查询会直接发送给 LLM。如果需要，代理会从多种外部来源（如数据库向量、工具和 API、互联网等）中寻找最佳的上下文信息，并传递给 LLM。
- 工具调用：Agent 可以自主决定调用搜索引擎、代码解释器或专用 API。例如，当用户询问'如何制作低糖蛋糕'时，代理会从专业的美食数据库、烹饪工具 API 或互联网上的美食论坛中获取相关的低糖蛋糕制作配方、技巧等信息。
- 混合检索：支持关键词检索与向量检索的结合，确保召回率与准确率的双重保障。
2.3 响应生成与自我检查（Response Generation & Self-Reflection）
LLM 根据接收到的查询和上下文信息生成回答后，智能代理会对答案进行检查，判断其是否与问题相关、是否幻觉、是否完整。如果答案相关且准确，就直接返回给用户；若不相关或有误，则返回第一步重新开始整个流程。
- 循环机制：这一循环会多次执行，直到得到合适的回答，或者系统判断无法回答该查询。通过不断的反馈和优化，确保回答与用户问题高度契合，提升回答的准确性和相关性。
