本次查询：Agentic RAG
中文解释：智能体检索增强生成
常见场景：AI应用开发
一句话解释
Agentic RAG就是让AI不再被动地查一次资料就回答，而是像人类一样先思考需要什么信息，主动多次检索不同资料，再整合推理给出答案。它把AI智能体的决策能力和RAG的外挂知识库优势结合起来。
为什么会被关注
传统RAG只能做单次检索，面对复杂问题时容易遗漏关键信息或产生幻觉。Agentic RAG让AI能主动规划检索路径、判断何时需要补充信息，大幅提升回答的准确性和深度。
在金融、医疗、科研等需要精准知识支撑的领域，Agentic RAG能串联多份文档、交叉验证事实，成为企业落地AI应用的核心能力之一。开发者也在探索用它构建更可靠的智能助手。
核心逻辑
Agentic RAG的核心是“思考-检索-再思考”的循环。AI智能体先分析用户问题，决定是否需要检索；如果需要，生成具体的查询语句，调用外部知识库；获取结果后，结合上下文判断是否满足需求，若不满足则继续检索或调整策略。
这个过程可重复多次，直到智能体认为信息足够。与传统RAG的最大区别在于检索动作由Agent自主触发，而非由外部固定流程控制。它还能选择不同检索源（如数据库、网页、API），甚至组合多步工具调用。
常见场景
智能客服：用户咨询理赔政策，Agent自动搜索最新条款、案例库，必要时追问用户细节，再给出个性化解答。科研助理：学者提问“某化合物在癌症治疗中的最新进展”，Agent会检索文献数据库、临床试验记录，整合多篇论文后生成综述。
企业知识管理：员工询问合同条款风险，Agent能对比多个合同版本，引用相关法条和内部制度。教育辅导：学生问数学题，Agent可检索公式库、例题库，并模拟解题步骤逐步引导。
容易混淆的点
Agentic RAG不等于传统RAG。传统RAG只做一次“检索-生成”，而Agentic RAG包含多次自主检索和决策，更接近人类的信息收集行为。它也不是单纯的AI Agent，因为Agentic RAG特别强调检索能力作为核心工具，而通用Agent可能侧重多任务执行。
另一个混淆点是“多跳检索”。多跳检索往往是固定流程的链式查询，而Agentic RAG的检索路径由智能体动态决定，更加灵活。此外，有些人误以为Agentic RAG必须用大模型，实际上它也可以集成中小模型或非神经网络检索系统。