检索从必做的固定动作变成Agent 自己拿主意的决策 · 面向做 RAG 系统的开发者面试问到 RAG能讲清检索增强生成只是及格线。真正区分候选人的追问往往是“你上了 Agentic RAG它和普通 RAG 到底差在哪” 如果只答更智能“效果更好”基本就废了。这道题的采分核心其实只有一句话传统 RAG 里检索是一条写死的流水线Agentic RAG 把检索这件事决策化了——查不查、查几次、怎么改写、够不够全交给 Agent 自己判断。下面把这句话拆开讲透。传统 RAG一次检索一次生成流程写死经典 RAG也叫 Naive RAG的链路非常固定无论用户问什么都走同一套动作用户 query → embedding 编码 → 向量库检索 Top-K # 固定检索一次K 固定 → 把召回片段拼进 prompt → LLM 一次性生成答案 # 检索结果不好也照吃它的特征是一次检索、一次生成检索是无条件执行的必经步骤用原始 query 查一次取固定数量的片段然后不管召回质量如何都直接喂给模型生成。整条链路里没有任何判断环节——它不会问自己这个问题真的需要查资料吗“刚才查到的东西够不够回答”“要不要换个说法再查一次”。这带来几个典型短板简单问题如你好)也强行检索、浪费算力query 表述不佳时召回一堆噪声需要多步推理或跨文档的问题单轮召回根本凑不齐信息召回为空或不相关时模型只能硬着头皮编幻觉。Agentic RAG把检索交给一个会拿主意的 AgentAgentic RAG 的核心变化是在检索和生成之间插入一个会推理、会决策、能循环的 Agent。检索不再是流水线上的固定工位而是 Agent 手里的一个工具tool——用不用、用几次、怎么用由 Agent 根据当前状态自行决定。围绕采分点它把四类决策权交给了模型要不要查先判断这个问题是否需要外部知识。闲聊、常识、模型已知的内容可以直接答跳过检索只有需要事实依据时才触发。查几次 / 要不要再查单轮召回后会自我评估信息够不够。不够就带着缺口发起下一轮检索形成检索→评估→再检索的循环直到凑齐或达到步数上限。怎么改写 query不再拿用户原话直接查。会做 query 改写、拆解成子问题query decomposition、补充上下文甚至改变检索策略或换数据源。够不够 / 好不好对召回内容做相关性判断过滤噪声、剔除不相关片段类似 CRAG / Self-RAG 的自反思机制必要时判定检索失败并改走别的路径。用一句话概括这个转变检索被决策化了。传统 RAG 的检索是if user_query: retrieve_once()Agentic RAG 的检索是一个由 LLM 驱动的while not enough: decide_and_retrieve()循环。# Agentic RAG 的控制流示意 while step max_steps: action agent.decide(state) # 由 LLM 决定下一步动作 if action answer: break # 觉得够了直接回答 if action retrieve: q agent.rewrite(query) # 改写 / 拆解 query docs search(q, sourceagent.pick_source()) state.update(agent.grade(docs)) # 评估召回够不够逐条对比差异到底落在哪维度传统 RAGNaiveAgentic RAG检索是否发生无条件每次必查Agent 判断要不要查检索次数固定一次动态多轮按需循环Query 处理用户原话直接查改写 / 拆解 / 换数据源召回质量把关无召回什么吃什么自我评估、过滤、判失败控制流线性流水线带循环与分支的决策图能否用多工具/多源通常单一向量库可路由到多库/搜索/API擅长的问题简单、单跳事实问答多跳、跨文档、复杂推理代价快、便宜、可预测更慢、更贵、更多 token/调用可以看到差异不在检索算法本身向量库、embedding、Top-K 都还在。真正变的是检索周围的控制流谁来决定这些检索动作。传统 RAG 是工程师在代码里写死的Agentic RAG 是模型在运行时动态决定的。怎么选不是越 Agentic 越好面试时如果只吹 Agentic RAG 的好容易被反问那你为什么不全用它。要点在于权衡Agent 的每一次判断和再检索都意味着额外的 LLM 调用、更高的延迟和成本还引入了循环不收敛、决策错误等新的不确定性。经验判断简单、可预测、单跳的问答FAQ、文档问答用传统 RAG 就够快又稳需要多步推理、跨多个文档/数据源、query 本身模糊的场景才值得上 Agentic RAG。很多生产系统是折中——先用轻量路由判断走不走 Agentic 分支把复杂度花在刀刃上。一句话总结传统 RAG 是一次检索、一次生成的固定流水线检索是无条件的必经步骤Agentic RAG 把检索决策化——由 Agent 自主决定要不要查、查几次、怎么改写 query、够不够让检索从写死的动作变成可推理、可循环、可评估的工具调用。代价是更慢更贵所以简单问答用传统 RAG复杂多跳场景才上 Agentic。这里给大家精心整理了一份全面的AI大模型学习资源包括AI大模型全套学习路线图从入门到实战、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等资料免费分享扫码免费领取全部内容1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 2026行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。7. 资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容
