RAG往期文章推荐

RAG效果差？7个指标让你的准确率大幅提升

RAG评测完整指南：指标、测试和最佳实践

收藏！RAG核心工具大全: 7大解析工具+向量模型+数据库+检索排序

GraphRAG开源生态全景：6大主流开源项目，微软/蚂蚁/港大项目同台PK

RAG系列：#5 RAG中的11种分块策略

企业级落地方案：Docker 部署 CodeGraph 多项目统一 MCP 网关，附源码

一文搞定Gerrit/Gitee/GitHub MCP Server，实现开发全流程自动化

面向AIGC的检索增强生成综述

标题: Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG

链接：https://arxiv.org/pdf/2501.09136

github: https://github.com/asinghcsu/AgenticRAG-Survey

这是一篇关于 Agentic RAG（代理式检索增强生成） 的综述文章。系统性地梳理了传统 RAG 的局限性，并详细阐述了如何通过引入自主 AI 代理来构建更智能、更灵活的 Agentic RAG 系统。

1 研究背景与动机

大模型受限于静态训练数据，存在知识过时、幻觉问题；传统 RAG 通过外部检索缓解该问题，但传统 RAG（朴素 RAG、高级 RAG、模块化 RAG、Graph‑RAG）是静态线性工作流，存在三大痛点：

• 上下文融合不足：检索到文档，但难以把信息无缝整合进回答，输出碎片化
• 多跳推理能力弱：不能基于中间结果迭代调整检索策略，处理复杂问题容易答不全
• 可扩展性与延迟问题：数据量大时计算开销高，实时场景时延不可控

为了解决这些问题，Agentic RAG 应运而生。它把具备自主决策能力的 AI 智能体融入 RAG 链路，依靠反思、规划、工具调用、多智能体协作四大智能体模式，动态调整检索策略、迭代优化上下文，适配复杂多步骤任务。

2 RAG 技术演进路线

论文梳理 RAG 五代演进，对比各自优缺点：

3 智能体的核心原理

智能体的四大组件

• LLM（角色与任务定义）：推理引擎和对话接口
• 记忆（短期与长期）：短期记忆跟踪对话状态，长期记忆存储累积知识
• 规划（反思与自我批评）：通过反思、查询路由、自我批评分解复杂任务
• 工具（向量搜索、网络搜索、API等）：调用向量检索、网页搜索、数据库 API，突破模型内部知识边界

四大智能体设计模式

4 五大智能体工作流模式

• Prompt Chaining（提示链）：任务拆解为顺序子步骤，串行执行；适合步骤固定任务
• Routing（路由）：对输入分类，分发到对应的处理链路；不同类型请求差异化处理
• Parallelization（并行化）：子任务并行执行，分为分片执行、多模型投票校验；降低时延
• Orchestrator-Workers（编排器-工作者）：中央智能体动态拆分任务，分配给多个工作智能体，聚合结果；子任务不预先固定
• Evaluator-Optimizer（评估器-优化器）：生成初始结果，评估模型给出反馈，循环迭代优化输出

5 Agentic RAG 系统分类

论文最核心内容，提出了基于智能体数量、控制结构、自主性和知识表示的系统分类：

1) 单智能体 Agentic RAG

• 架构：一个中央智能体管理所有检索、路由和整合任务
• 工作流：查询提交 → 评估 → 选择知识源（结构化数据库/语义搜索/网络搜索/推荐系统）→ LLM 综合 → 输出生成
• 优势：集中式简单、资源优化、动态路由
• 适用：适合工具少、任务简单场景（客服订单查询）

2) 多智能体 Agentic RAG

• 架构：多个专用智能体分工（SQL 检索、向量检索、网页搜索），可并行执行
• 工作流：协调器接收查询 → 分发给专业检索智能体（SQL/语义/网络/推荐）→ 并行检索 → LLM 综合 → 输出
• 优势：模块化、可扩展、任务专业化、并行处理
• 挑战：协调复杂、计算开销、数据整合困难
• 适用：多域研究助手、复杂分析

3)  分层 Agentic RAG

• 架构：层级式架构，高层智能体做任务评估与委派，下层智能体执行检索
• 工作流：顶层智能体评估查询复杂度 → 战略决策 → 委派给中层/底层智能体 → 聚合综合
• 优势：战略优先级排序、可扩展、增强决策
• 挑战：跨层级协调复杂、资源分配困难
• 适用：金融分析、需要战略监督的场景

4) 纠正性 Agentic RAG

• 核心思想：增加专门智能体做文档相关性评估；对低相关文档，执行查询改写、补充外部检索；迭代过滤无关文档，抑制幻觉
• 五大智能体：
• 上下文检索智能体：从向量库检索初始文档
• 相关性评估智能体：评估文档相关性
• 查询精炼智能体：重写查询以优化检索
• 外部知识检索智能体：在上下文不足时进行网络搜索
• 响应综合智能体：生成最终响应
• 优势：迭代纠正、动态适应、事实性保证

5) 自适应 Agentic RAG

• 核心思想：增加查询复杂度分类器；简单问题直接大模型回答，中等问题单次检索，复杂问题多步迭代检索；节省算力，优化时延
• 分类器：用小语言模型预测查询复杂度
• 三种策略：
• 简单查询：直接生成（无需检索）
• 中等查询：单步检索
• 复杂查询：多步检索，逐步精炼
• 优势：资源高效、动态适应、增强准确性

6) 基于图的 Agentic RAG

• Agent-G

• 整合图知识库与非结构化文档检索

• 组件：检索器库（模块化智能体）、批评模块（验证质量）、动态智能体交互、LLM 综合

• 优势：增强推理、动态适应、提高准确性

  

• GeAR（Graph-Enhanced Agent for RAG）

• 通过图扩展技术增强传统 RAG

• 处理多跳检索场景，自动选择图扩展检索路径

• 优势：增强多跳检索、智能体决策、提高准确性

  

7) 智能体文档工作流（ADW）

• 扩展传统 RAG，实现端到端知识工作自动化

• 工作流：文档解析 → 状态维护 → 知识检索 → 智能体编排 → 可操作输出生成

• 优势：状态维护、多步编排、领域特定智能、大规模处理

• 适用：发票处理、合同审查、索赔分析

  

6 RAG框架的对比分析

传统 RAG VS Agentic RAG VS ADW

上述表格比较凸显了从传统RAG到智能体RAG，再到智能体文档工作流（ADW）的演进轨迹。传统RAG为基础任务提供了简单性和易部署性，而智能体RAG通过多智能体协作引入了增强的推理能力和可扩展性。ADW在这些进步的基础上，提供了稳健的、以文档为中心的工作流，促进了端到端自动化以及与特定领域流程的集成。理解每种框架的优势与局限，对于选择最合适的架构以满足特定应用需求和运营要求至关重要。

Agentic RAG架构的对比分析

不同的架构会导致本质上不同的行为。单智能体系统偏向简洁；多智能体系统支持并行，但需要协调编排；分层架构以更高的复杂性为代价引入监督机制。架构决策隐含着对控制、信任和容错的假设，纠错工作流能提升准确性，却会增加延迟；而自适应架构则以牺牲正确性保证来换取响应能力。

7 Agentic RAG 应用

8 经验教训与实践指导

论文提炼了七条关键实践经验：

• Agentic RAG 并非万能：简单事实检索用传统 RAG 即可，Agentic RAG 适合复杂任务
• 架构选择决定系统行为：单智能体简单低延迟，多智能体并行但需编排，分层增强可靠性但增加延迟
• 检索质量仍是首要瓶颈：智能体推理无法补偿糟糕的检索，必须先投资高质量检索管道
• 智能体自主性需要明确约束：无限制自主性可能导致过度工具调用、冗余推理循环，需设定规划范围、工具访问策略和停止标准
• 评估必须关注过程而非仅结果：需要过程级指标（推理效率、工具使用模式、上下文适应能力）
• 领域知识显著放大 Agentic RAG 收益：医疗、金融、法律等结构化知识领域收益最大，开放域任务收益有限
• 负责任部署：多智能体协作使错误归因复杂化，自主工具使用带来安全风险，需要治理机制、人工监督和可审计性

9 开放研究问题与未来挑战

• 智能体协调、控制与涌现行为：多智能体系统的涌现行为难以预测，需要形式化建模和收敛保证
• 超越输出质量的评估方法：需要评估推理轨迹、规划深度、适应性、成本效率的过程感知评估
• 记忆管理与长期适应：平衡持久性与适应性，选择性保留，避免知识漂移和幻觉放大
• 计算成本、效率与可持续性：多智能体协作和迭代检索增加延迟和资源消耗，需要成本感知规划
• 安全、信任与治理：自主智能体可能产生未授权行为和偏见决策，需要透明决策追踪和人在回路监督
• 跨域泛化能力：现有系统多在特定领域评估，跨域自适应检索和推理策略仍是开放问题