在大型语言模型（LLM）日益普及的当下，检索增强生成（Retrieval-Augmented Generation，简称RAG）已成为提升LLM知识准确性与时效性的关键技术。通过将LLM与外部知识库结合，它有效解决了知识滞后与“幻觉”等难题。然而，RAG技术本身也在持续演进。从最初的传统RAG架构，到如今备受瞩目的Agentic RAG（智能体式RAG），RAG系统正变得愈发智能、灵活且强大。本文将深入对比这两种RAG范式，揭示Agentic RAG如何通过引入“智能体”概念，将RAG系统推向全新高度。
1. 传统RAG：线性、简洁与高效的“检索-生成”流程
一、传统RAG架构：简洁与效率兼备
首先，我们来回顾一下传统RAG的架构。如图所示，传统RAG的核心在于其线性、高效的“检索-生成”流程。
传统RAG的工作流程：
-
知识库编码与索引（步骤1、2）：
额外文档（Additional documents）首先通过嵌入模型（Embedding model）进行编码（Encode），将其内容转化为高维向量。这些向量随后被索引（Index）并存储到向量数据库（Vector database）中。该过程通常离线完成，为后续检索做好准备。
-
查询编码（步骤3）：
当用户输入一个查询（Query）时，该查询也会通过相同的嵌入模型进行编码（Encode），生成对应的查询向量。
-
相似性搜索（步骤4、5）：
查询向量被用于在向量数据库中执行相似性搜索（Similarity search），以找到与查询语义最接近的相似文档（Similar documents）。
-
提示构建与生成（步骤6、7）：
检索到的相似文档作为上下文（Context），与原始查询一同整合成一个提示（Prompt）。该提示被发送给大型语言模型（LLM），LLM基于提供的上下文和查询生成最终响应（Response）。
传统RAG的特点：
-
优点： 结构简单、流程清晰、易于实现，在处理直接、单跳的问答任务时效率很高。
-
局限性： 线性流程使其在处理复杂、模糊或需要多步推理的查询时显得力不从心。它缺乏自我评估和主动规划能力，容易受检索结果质量影响，可能导致“幻觉”或不准确的回答。
小提示：传统RAG适合对响应速度要求高、查询简单明确的场景，例如知识库内常见问题的快速回答。如果你正在构建一个FAQ机器人，传统RAG完全够用。
常见问题：为什么传统RAG处理复杂查询时效果不佳？
因为其流程是单向的，检索到信息后直接用于生成，不会对检索结果进行评估或改进。如果第一次检索到的文档不相关，系统也没有机制进行修正，最终答案就会出现偏差。
2. Agentic RAG：智能体驱动的未来——循环、决策与工具使用
相较于传统RAG的线性流程，Agentic RAG引入了“智能体”（Agent）概念，赋予LLM更高的自主性和决策能力。如图所示，Agentic RAG的核心在于其循环、决策与工具使用的特性。
Agentic RAG的工作流程：
-
智能体主导的查询处理（步骤1-3）：
查询重写与思考： 初始查询不再直接进入检索，而是先由LLM智能体（LLM Agent）进行重写，转化为更精确的查询。随后，智能体进行自我评估，判断是否需要更多信息。这是智能体主动思考的体现。
-
主动规划与工具选择（步骤4-6）：
如果智能体判断需要更多信息，它会进一步思考“哪个来源能帮到我？”，并主动选择并调用不同的工具（Tools & APIs）。这些工具不再局限于向量数据库，还可以包括互联网搜索、结构化数据库或其他自定义API。这种工具使用能力是Agentic RAG的重要特征。
-
检索与生成（步骤7-9）：
检索与上下文构建（步骤7）： 系统利用智能体选择的工具进行检索，得到相关的检索到的上下文（Retrieved context）。该上下文与更新后的查询一起，为生成答案做准备。
生成初步响应（步骤8、9）： 系统将
检索到的上下文和更新后的查询打包成一个提示（Prompt），发送给一个大型语言模型（LLM）。LLM基于该提示生成一个初步响应（Response）。 -
循环迭代与自我评估（步骤10-12）：
自我评估： 拿到初步响应后，LLM智能体不会直接返回答案，而是进行自我评估：“这个答案相关吗？”
反馈循环： 如果智能体判断答案不相关，它可以循环回到初始查询或之前的步骤，重新规划、重新检索，直到找到满意的答案。这种反馈循环和自我修正能力是Agentic RAG解决复杂问题的关键。
Agentic RAG的特点：
-
优点：
更强的推理能力： 能够处理多跳查询和复杂逻辑推理。
更高的准确性： 通过自我评估和迭代，减少“幻觉”和不准确的回答。
更强的适应性： 能够根据任务需求，灵活选择和使用不同的外部工具。
更好的可解释性： 智能体的“思考”过程（如查询重写、工具选择）可以被记录和追踪。
-
局限性：
更高的复杂性： 引入了更多决策和循环，系统设计与调试难度增加。
潜在的延迟： 多次迭代和工具调用可能导致更高的响应延迟。
温馨提示：Agentic RAG虽然强大，但需要更多计算资源和更长的响应时间。实现时，建议先对查询复杂度进行判断，简单问题走传统RAG，复杂问题再触发Agent流程，以平衡效率与效果。
常见问题：Agentic RAG中“智能体”到底是什么？
智能体本质上是一个由LLM驱动的决策器，它能够根据当前状态（如查询、中间结果）自主决定下一步行动（是否需要重写查询、选择哪个工具、是否已经足够）。它就像是一个“大脑”，协调整个检索和生成的过程。
3. 汇总分析：传统RAG与Agentic RAG的对比
下表总结了传统RAG和Agentic RAG之间的主要区别：
| 特性 | 传统RAG | Agentic RAG |
| LLM角色 | 被动的内容消费者，执行检索和生成 | 主动思考、规划、决策并执行的“智能体” |
| 流程 | 线性、单向 | 循环、迭代，包含决策点 |
| 工具使用 | 主要依赖向量数据库进行检索 | 可灵活选择和调用多种外部工具（向量数据库、互联网、API等） |
| 复杂查询 | 难以处理多跳、模糊或需推理的查询 | 擅长处理复杂、多跳和需要多步推理的查询 |
| 自我评估 | 无 | 有（如判断是否需要更多细节、答案是否相关） |
| 错误处理 | 容易将检索错误传递给生成环节 | 可通过反馈循环进行自我修正 |
| 实现难度 | 相对简单 | 相对复杂 |
常见问题：在实际项目中，我应该选择传统RAG还是Agentic RAG？
这取决于应用场景。如果任务以简单的事实性问答为主（如“公司的年报在哪里？”），传统RAG效率更高。如果任务需要多步推理（如“找出今年销量最高的产品，并分析其成功原因”），则Agentic RAG更合适。另外，你还可以采用混合策略——先用传统RAG快速尝试，如果置信度低再切换到Agent模式。
总结
传统RAG为我们打开了LLM与外部知识结合的大门，在许多场景下依然高效实用。然而，随着AI应用的日益复杂，Agentic RAG代表了RAG技术发展的必然趋势。它将LLM从一个简单的“生成器”提升为能够自主思考、规划和执行的“智能体”，从而构建出更强大、更可靠、更接近人类智能的知识型AI系统。理解并掌握Agentic RAG的核心思想，将是构建未来高阶AI应用的关键。