EP230：RAG 与 Agentic RAG 对比
内容提要
本文对比了RAG与Agentic RAG：RAG将检索到的信息加入提示，由LLM生成答案，流程固定，效果取决于检索准确性；Agentic RAG由智能体按任务选择工具，反复检索并评估证据是否充分，不足则调整搜索或更换工具，直至证据足够再生成答案。
延伸解读
流程差异决定适用场景
RAG采用固定的检索流程，一次检索后即生成答案，适合问题明确、知识库稳定的场景。Agentic RAG则允许智能体根据任务选择工具、反复检索并评估证据，更适合需要多源信息或复杂推理的任务。这种流程差异意味着两者在响应速度、实现复杂度和结果可靠性上各有取舍。
效果依赖点不同
RAG的效果高度依赖检索准确性，如果检索到的上下文不相关，LLM生成的答案质量就会下降。Agentic RAG则将部分控制权交给智能体，通过评估证据是否充分来调整搜索策略或更换工具，从而降低对单次检索质量的依赖，但也引入了智能体决策是否合理的新风险。
工具选择是Agentic RAG的关键
Agentic RAG中，智能体需要根据任务选择合适的工具，这些工具可以搜索文档、API、数据库或网络。工具选择的准确性直接影响后续检索和证据评估的效率。如果工具选择不当，可能导致反复检索仍无法获得足够证据，因此工具的描述和智能体的决策能力需要仔细设计。
Q&A
RAG 和 Agentic RAG 的主要区别是什么？
RAG 通常遵循预定义的检索流程：用户提问后，检索系统从知识库获取相关信息，应用将信息加入提示，LLM 基于上下文生成答案，效果取决于检索准确性。Agentic RAG 则由智能体根据任务选择工具，反复检索并评估证据是否充分，不足时调整搜索或更换工具，直至证据足够再生成答案。
Agentic RAG 是如何工作的？
Agentic RAG 的工作流程是：智能体根据任务选择合适的工具（如搜索文档、API、数据库或网络），获取证据后检查是否足以完成任务；如果不足，智能体会调整搜索或选择不同工具，直到证据充分，再由 LLM 利用该上下文生成答案。
RAG 的效果受什么影响？
RAG 的效果通常取决于检索到的上下文的准确性。因为它遵循预定义的检索过程，如果检索到的信息不准确或不相关，生成的答案质量就会下降。
Agentic RAG 中的智能体可以使用哪些工具？
智能体可以根据任务选择工具，这些工具能够搜索文档、API、数据库或网络。
RAG 的基本流程是怎样的？
RAG 的基本流程包括：用户向应用提问；检索系统从知识库中获取相关信息；应用将该信息添加到提示中；LLM 利用该上下文生成答案。
Agentic RAG 如何确保证据足够？
Agentic RAG 会反复获取并评估信息，检查证据是否足以完成任务。如果不够，智能体会调整搜索或更换工具，直到证据充分后才生成答案。
