很多人用过 RAG 后会问一个问题：为什么检索结果总是”差点意思”？
明明问的是”2024 年后入职的远程员工年假政策”，系统却返回了一堆包含”年假""远程""员工”但完全对不上问题的文档。
这背后的根本原因是：传统 RAG 骨子里是被动的——你问什么，它就字面意思去找什么，不会理解你真正想要什么。
而 Agentic RAG（智能体增强的 RAG）正在改变这个局面。
传统 RAG 的三个硬伤
在说 Agentic RAG 之前，先把传统方案的局限说清楚：
1. 不会理解真正的问题
你问：“公司对去年以来入职的异地办公员工有什么调休规定？”
文档里可能写的是”远程协作人员""入职满一年者""休息制度”。词对不上，传统检索就哑火了。
这不是搜索算法的问题，而是系统根本不知道”异地办公员工”和”远程协作人员”是同一类人。
2. 一次检索打天下
无论问题多复杂，传统 RAG 都只会生成一个搜索query去查。但复杂问题往往需要多步检索、多次推理，单次查询很难覆盖全面。
3. 不管不顾地堆材料
假设你有一万页文档，模型上下文只有 128k token，传统 RAG 可能一股脑把所有”有点相关”的内容都塞进去。结果有效信息被淹没，回答质量反而下降。
Agentic RAG 是怎么工作的
如果说传统 RAG 是一个听话但不太动脑子的助理，那 Agentic RAG 更像一个会主动思考的专家。
它的核心变化是把 AI 智能体（Agent）嵌入了检索流程的每个关键节点，让系统能够：
- 理解真实意图：不只是匹配关键词，而是理解用户到底想知道什么
- 规划检索策略：判断需要查什么、怎么查、查几轮
- 执行多步检索：把复杂问题拆成多个子问题，并行或串行检索
- 整合并验证结果：把多轮检索结果汇总，追踪引用来源
一个生活化的比喻
想象你去医院看病。
传统 RAG 的做法：你告诉护士”我头疼”，护士就翻出一本《常见病症大全》，把所有提到”头疼”的章节都复印给你，让你回去自己看。
Agentic RAG 的做法：护士先问你是怎么疼、疼了多久、还有什么其他症状，然后判断你可能需要看内科还是神经科，帮你挂好号、预约检查，再把医生诊断和检查报告汇总成一份清晰的病历。
区别在哪里？后者不是机械地执行指令，而是理解目标、规划步骤、主动推进。
具体来看：Agentic RAG 的四大核心能力
1. 智能查询分解
面对”公司对 2023 年后入职的远程员工的报销政策有什么更新”这样的问题，Agentic RAG 会自动把它拆成几个子查询：
- “远程员工报销政策”
- “2023 年后入职员工规定”
- “公司报销政策最新更新”
这些子查询可以并行执行，然后合并结果，Coverage（覆盖率）远高于单个查询。
2. 多知识源并行访问
企业数据往往分散在多个地方：SharePoint 存制度文档、数据库存报销记录、内部 Wiki 存流程说明。Agentic RAG 可以同时向多个数据源发起查询，而不需要提前把所有数据汇聚到一个地方。
3. 追踪引用来源
每条检索结果都附带”这条信息来自哪份文件的哪一段”，最终回答也标注清楚引用来源。这对需要严谨依据的企业场景（比如法务、合规）非常重要。
4. 自适应的检索策略
系统会根据问题复杂度调整策略。简单事实型问题走轻量快速路径；需要推理的复杂问题则触发多步检索和深度分析。
和传统 RAG 的对比
| 维度 | 传统 RAG | Agentic RAG |
|---|---|---|
| 查询方式 | 单次查询，原样匹配 | 智能分解，多步规划 |
| 数据源 | 通常一个索引 | 多源并行查询 |
| 结果呈现 | 原始文档片段 | 结构化答案 + 引用来源 |
| 复杂问题处理 | 弱 | 强（多跳推理） |
| 上下文利用 | 容易堆砌噪声 | 精准召回，按需组织 |
现在用在哪里
Agentic RAG 目前主要落地在以下几类场景：
- 企业知识库问答：员工问 HR 问题，系统自动判断查哪个知识源、怎么组合答案
- 法律/合规文档分析：需要跨多个文档理解条款，并给出有出处的结论
- 技术支持智能体：用户描述一个问题，系统逐步排查、多次检索相关文档，定位原因
- 复杂研究报告：需要综合多篇论文、多方数据源形成结论
值得注意的现状
Agentic RAG 技术很热，但还在快速迭代阶段。大多数企业级方案（如 Azure AI Search 的 Agentic Retrieval）仍处于预览版（Preview），生产环境使用需要评估稳定性。
另外，Agentic RAG 因为多了 LLM 做查询规划和结果整合，延迟和成本会比传统 RAG 更高。不是所有场景都需要这套方案——简单的事实问答用传统 RAG 足够高效。
一句话总结
Agentic RAG 的本质是把”规划”能力引入检索流程：不再是你问什么系统就找什么，而是系统先理解你要什么，再决定怎么找、找什么、找几轮。
如果说传统 RAG 是一把好用的检索工具，那 Agentic RAG 更像一个会主动思考的助手——代价更大，但能力边界也宽得多。
原文链接：https://medium.com/@myscale/a-beginners-guide-on-agentic-rag-f1254d836063