Agentic RAG是什么？一张图看懂智能检索、判断循环与传统RAG区别

Agentic RAG是由AI Agent动态决定何时检索、检索什么、是否需要继续检索的RAG工作流。传统RAG通常按照固定管线完成“查询—召回—拼接上下文—生成回答”；Agentic RAG会先理解问题、拆解子任务、选择数据源，把检索作为工具调用，再评估证据是否足够。证据不足时改写查询或切换数据源，达到停止条件后才生成回答。

它适合多数据源、复杂条件和需要验证中间结果的任务，但会带来更高的延迟、成本和评估难度。要理解它在完整智能体中的位置，可先阅读AI Agent架构图总览。

一、Agentic RAG是什么？

RAG（检索增强生成）通过外部知识补充模型上下文。Agentic RAG进一步把检索能力封装为Agent可选择的工具：Agent读取用户问题和可用工具描述，决定先查哪个来源、参数怎样填写、结果是否满足回答条件，以及是否继续检索。关键差异不在于“用了更大的模型”，而在于工作流从固定执行变成了可判断、可循环的检索过程。

• 规划：识别问题中的对象、条件、时间和交付格式。
• 路由：选择适合的知识库、搜索索引、数据库或业务接口。
• 检索：生成查询、过滤条件和返回数量等结构化参数。
• 评估：检查相关性、覆盖度、时效和来源一致性。
• 迭代：证据不足时改写查询、补查或请求用户澄清。

二、Agentic RAG与传统RAG有什么区别？

传统RAG适合知识源清楚、查询相对稳定、一次检索通常足够的问题，例如从单一产品手册回答操作步骤。Agentic RAG更适合“先判断要查什么”的任务，例如同时核对政策、库存和用户权限后再给出结论。复杂不等于一定更好：如果一次检索就能稳定回答，引入Agent循环只会增加成本和故障点。

传统RAG的典型路径

用户问题进入检索器，系统按固定规则召回内容，拼接上下文后交给模型生成答案。流程短、延迟可控，也更容易评估，但对模糊问题、多跳推理和多数据源路由的适应性有限。

Agentic RAG的典型路径

Agent先建立检索计划，再调用一个或多个数据源。每轮结果都要经过相关性和充分性判断；如果缺少关键条件，就继续检索或向用户询问。最终答案应能对应到实际返回的证据，而不是仅凭模型记忆补全。

三、Agentic RAG流程图怎么画？

1. 接收问题：记录用户目标、范围、时间和输出要求。
2. 问题拆解：把复合问题拆成可独立检索的子问题。
3. 选择工具：根据数据类型和权限选择检索源。
4. 执行检索：传入查询、过滤条件和必要的身份信息。
5. 评估证据：判断结果是否相关、完整、最新且相互一致。
6. 决定下一步：补查、改写查询、换源、澄清或停止。
7. 生成回答：只使用已经获得且满足条件的上下文组织结果。
8. 记录过程：保存工具调用、来源、错误和停止原因。

图中最容易漏掉的是“证据是否足够”的判断节点。没有这个节点，所谓Agentic RAG只是把多个检索步骤串联起来，并没有表达Agent为何继续或停止。

四、检索工具应该怎样设计？

Agent能否正确选用检索工具，很大程度取决于工具描述和返回结构。名称“搜索资料”过于模糊；更好的描述应明确数据范围、更新时间、必填参数、可选过滤条件和返回字段。不同数据源不要伪装成一个无边界的“大知识库”，否则Agent难以判断来源优先级。

• 描述数据源包含什么、不包含什么，以及适用时间范围。
• 使用结构化参数表达关键词、时间、部门、产品或权限范围。
• 返回内容包含来源标识、更新时间和必要的相关性信息。
• 定义空结果、冲突结果、权限不足和超时的处理方式。
• 限制单次返回规模，避免无关上下文占满模型窗口。

五、哪些场景适合Agentic RAG？

1. 多知识库企业问答

问题可能同时涉及制度、项目文档和实时业务数据，需要Agent先识别部门和权限，再选择不同检索源。答案还应标出冲突和过期信息，而不是简单拼接所有结果。

2. 复杂研究与竞品分析

研究任务通常需要拆解问题、搜索多个来源、比较日期和口径，再补查缺失证据。Agentic RAG可以帮助组织检索循环，但最终判断仍应由研究人员完成。

3. 客服与业务办理

客服问题可能先查知识库，再查订单或账户状态，最后决定只回答、创建工单还是请求人工接管。涉及账户修改或外部操作时，应把授权与工具执行画成独立节点。

六、Agentic RAG有哪些风险和限制？

动态检索会增加调用次数，也可能出现循环不停止、选错数据源、依据不足却提前回答、相互矛盾的来源未处理等问题。设计时需要明确最大轮次、超时、成本预算、停止条件和人工升级策略。检索结果也可能包含不可信指令，系统不能把资料内容直接当作执行权限。

• 质量风险：召回结果相关但不能支持结论。
• 安全风险：越权访问数据或执行高风险工具。
• 运行风险：循环过长、重复检索、延迟不可控。
• 评估风险：只看最终答案，无法定位是哪轮检索出错。

七、如何用Boardmix梳理Agentic RAG工作流？

先在Boardmix画出“问题—规划—路由—检索—评估—回答”主链，再把每个数据源、权限规则和异常分支放到对应节点旁。用回环箭头连接“证据不足”和“重新检索”，用另一条分支连接“需要澄清”与用户。完成初稿后，让业务负责人检查数据来源，让AI工程师检查工具参数，让安全负责人检查权限与外部副作用。

如果已经有一段流程描述，也可以先让Boardmix AI生成流程图初稿，再在画布上补齐“证据是否足够”、重新检索、人工确认和停止条件。AI生成结果应作为可编辑初稿，数据源、权限与业务规则仍需由团队核对。

如果需要统一流程图符号和连接方式，可以参考在线流程图工具；系统层级较多时，也可结合技术架构图绘制方法将运行流程与部署边界分成两张图。

八、Agentic RAG上线前检查清单

1. 是否定义了Agent何时检索、何时停止？
2. 每个检索工具是否写清数据范围和返回结构？
3. 是否能处理空结果、冲突、过期和权限不足？
4. 最终回答是否只使用本轮获得的有效上下文？
5. 是否限制轮次、超时、成本和返回规模？
6. 高风险查询和操作是否支持人工接管？
7. 是否记录每轮查询、结果、判断和停止原因？

九、Agentic RAG常见问题

Agentic RAG一定比传统RAG准确吗？

不一定。它提高了处理复杂检索任务的灵活性，但效果仍取决于数据质量、工具描述、评估逻辑和停止条件。简单查询优先使用固定RAG通常更稳妥。

Agentic RAG需要多个Agent吗？

不需要。单个Agent也可以完成查询规划、工具调用和证据评估。只有当任务能明确拆成不同职责且需要独立上下文时，才考虑多Agent。

Agentic RAG与搜索Agent是同一个概念吗？

两者有重叠，但不完全相同。搜索Agent可能面向开放网络或特定搜索服务；Agentic RAG强调把检索获得的内容作为生成回答的上下文，并对证据充分性进行判断。