编排 · 2025
Agentic RAG
由流程里的模型决定下一步是检索、换查询、读另一份资料，还是停下来回答。
要解决的问题
固定流水线假设一次查询、一次检索、一次生成就够。多跳问题、缺资料和检索失败，都需要中途改计划。
相对前一代的变化
前面的技术都是在固定位置插入一个组件。Agentic RAG 把这些组件当成可调用的步骤，由模型按当前结果选择下一步。Adaptive-RAG 先按问题复杂度在不检索、检索一次和多步检索之间分流，是走向这种编排的一步。
做法
常见实现是一个带工具的循环：改写查询、检索、阅读、判断证据够不够、必要时再查。工具参数先按结构校验，再由代码执行。停止条件是证据已经支持回答，或达到步数上限。复杂度分类器可以在循环开始前先选一条短路径。
局限
步数变多后，延迟、费用和失败点一起增加。模型可能反复查询，或在证据不足时仍给出确定的回答。流程越灵活，越需要记录每一步检索了什么。
在链路中的位置
位于整条链路之上，决定朴素 RAG、改写、检索和网络搜索何时被调用。
详解
「详解」根据 Datawhale《All-in-RAG》 的 Agentic RAG 改写，有删节和重组，未包含原教程的代码、图片和练习。原教程与本节详解均按 CC BY-NC-SA 4.0 许可提供：使用时需署名并标明修改，不得用于商业目的，再次改编须以相同许可共享。
检索从固定步骤变成可以反复调用的工具
一条直线假设编码、取回 top-k、拼接和生成就够了。它不知道结果是噪声，第一次失败后也不会换一种检索，更不会因为证据只有一半而继续查。Agentic RAG 把检索交给一个会规划的模型：它可以拆问题、选择工具、检查证据够不够，再决定改写或停止。
- 规划：把复杂问题拆开，并决定先查什么。
- 决策：选择向量检索、网页、图谱或数据库，并填写参数。
- 自评：判断当前证据是否足够回答。
- 改写：针对失败原因更换问法或工具，而不是盲目再查一次。
决策、工具和数据分成三层
决策层是模型。工具层是向量搜索、网页搜索、图查询和数据库查询，每个工具都要写清适用场景。数据层是这些工具背后的知识源。循环是规划、检索、评估；足够就生成，不够就诊断后回到规划。
最常见的是单个智能体在循环中调用工具。问题很大时，可以让规划、检索、评判和生成由不同角色分工。第三种是智能体同时使用图查询和向量检索，让关系和叙述互相补充。简单事实问题不必进入这个循环。
最小实现要看得见每一步
用 LangGraph 一类方式实现时，节点至少包括分析问题、选择工具、执行检索、评估证据和生成答案。条件边根据评估结果回到检索或进入生成。每次转移都保存当前问题和已收集证据。
一条完整轨迹应能回答：为什么选了这个工具，检索到了什么，为什么认为不够，下一次问法改了哪里。没有轨迹，智能体的答案就无法和普通的一次检索区分。
多步带来新的失败点
模型可能反复查询、过早停止，或把两次检索中互相矛盾的证据揉成确定答案。工具描述写得宽，选择就会漂。步数、费用和超时必须有上限。
评估不能只看最终答案。还要看工具选择是否合适、循环次数、是否在证据不足时拒答，以及同样的问题能否复现同一路径。图检索、SQL 和网页搜索都只是工具，质量仍由各自的数据和约束决定。