Agentic RAG 是什么？会自己决定怎么查资料的检索增强生成

智能体增强检索生成（Agentic RAG）是让智能体来主导检索过程的 RAG 升级版。传统的检索增强生成（RAG）流程是固定的：用户提问，系统检索一次，把找到的资料交给大模型生成答案。Agentic RAG 则在这个流程里引入了智能体，让它像一个研究员一样，自己决定要不要查、去哪查、查几次、查到的东西靠不靠谱。这种范式在 2024 到 2025 年间，随着 RAG 和智能体技术的融合逐渐成型。

传统 RAG 的局限

固定的“检索一次就回答”流程，在简单问题上效果不错，但遇到复杂问题就容易出问题。比如“对比一下 A 公司和 B 公司过去三年的营收变化”，需要分别查两家公司、多个年份的数据，一次检索很难都找全。再比如资料分散在不同的系统里：有的在文档库，有的在数据库，有的需要上网搜索。另外，检索回来的内容可能不相关，甚至相互矛盾，传统 RAG 也不会检查，直接就拿去生成答案。

Agentic RAG 多了什么

任务规划：先把复杂问题拆解成几个子问题，分别检索。动态路由：根据问题类型，决定去哪个知识库、哪个数据库，或者调用搜索引擎、计算工具。多轮检索：第一次没找到想要的，就换个关键词再查，或者根据已经找到的信息顺藤摸瓜继续查。结果验证：检查检索到的内容是否相关、是否可信，信息之间有矛盾时进一步核实。整合输出：把多次检索的结果综合起来，生成有依据的答案，并注明来源。

适用场景与代价

它适合复杂问答、专业知识检索、研究报告生成和需要综合多个数据源的自动化决策场景。各家的“深度研究”类产品，本质上就是一种 Agentic RAG。代价是多次检索和推理会增加响应时间和成本，流程也更复杂、更难调试。对于简单明确的问题，传统 RAG 依然更快更省。实践中常见的做法是让系统先判断问题难度，简单问题走快速通道，复杂问题再启用智能体流程。