RAG 技术的三年演变：从传统流水线到 Agentic RAG
近期交流发现，许多从业者对 RAG（检索增强生成）的认知仍停留在三年前，将其等同于“回答不准、误报率高”的刻板印象。事实上，经过三年迭代，RAG 技术已实现质的飞跃。
核心变革：执行主体的转移
当前的 RAG 已从“传统 RAG"进化为"Agentic RAG"。其本质区别不在于检索机制本身，而在于执行主体的转变：RAG 的操作者已由人类转变为智能体（Agent）。
传统 RAG：固定流水线作业
传统模式遵循僵化的处理流程：用户输入后进行 Embedding，查询向量数据库，召回 Top-N 结果，经 Rerank 排序后喂给大模型总结输出。无论问题类型如何，系统均机械地执行一次向量库查询，缺乏灵活性。
Agentic RAG：决策增强与自主规划
新一代 Agentic RAG 实现了“决策增强”。模型首先评估内部知识是否充足，仅在必要时触发检索，并自主规划检索策略及工具选择。检索完成后，系统还能进行自我反思，判断是否需要多轮决策或再次查询。检索行为已从“固定动作”升级为“自主决策”。
正因如此，LangGraph、Agno、Google ADK 等主流 Agent 框架均将 Agentic RAG 视为核心能力。RAG 的技术底层未变，但“何时检索”的决策权重已超越“检索本身”。理解这一逻辑，是掌握近三年技术演进的关键。