RAG 与智能体 RAG（Agentic RAG）的对比

RAG vs Agentic RAG

传统 RAG 系统存在以下一些问题：

这类系统只检索一次、生成一次。这意味着如果检索到的上下文不够充分，LLM 也无法动态地去搜索更多信息。

RAG 系统或许能提供相关上下文，但并不会针对复杂查询进行推理。如果一个查询需要多个检索步骤，传统 RAG 就会力不从心。

适应性也很有限。LLM 无法根据当前面对的问题去调整自己的策略。

正因如此，智能体 RAG（Agentic RAG）正变得越来越流行。我们来深入了解一下。

智能体 RAG

智能体 RAG 的工作流程如下图所示：

注：上图只是智能体 RAG 系统可能采用的众多蓝图之一，你可以根据自己的具体场景加以调整。

如上图所示，其核心思路是在 RAG 的每个阶段都引入智能体行为。

可以把智能体（agent）理解为这样一个角色：它会主动思考如何完成任务——规划、调整、反复迭代，直到得出最佳方案，而不是仅仅

遵循一套固定的指令。LLM 强大的能力让这一切成为可能。

我们来逐步理解这个过程：

步骤 1-2）用户输入查询，一个智能体对其进行改写（去除拼写错误、为便于嵌入而做简化等）。

步骤 3）另一个智能体判断，回答这个查询是否还需要更多细节。

步骤 4）如果不需要，改写后的查询就会作为提示词直接发给 LLM。

步骤 5-8）如果需要，另一个智能体会查看它能访问的相关来源（向量数据库、工具与 API，以及互联网），判断哪个来源可能有用。相关上下文会被检索出来，作为提示词发给 LLM。

步骤 9）上述两条路径中的任意一条，都会产生一个回答。

步骤 10）最后一个智能体会检查这个回答是否与查询和上下文相关。

步骤 11）如果相关，就返回这个回答。

步骤 12）如果不相关，就回到步骤 1。这个流程会持续迭代若干次，直到系统承认自己无法回答这个查询为止。

这让 RAG 变得更加稳健，因为在每一步中，智能体行为都确保了各个环节的结果与最终目标保持一致。

不过，同样值得注意的是，搭建 RAG 系统在很大程度上取决于设计上的偏好和取舍。

除了智能体化的方法之外，传统 RAG 的另一项重要改进来自于检索本身的优化——其中一种流行的方法就是 HyDE。