Agentic AI 架构入门（八）：Agentic RAG——从被动链条到主动研究员

课程：《Agentic AI Architectures with Patterns, Frameworks and MCP》笔记整理（第 395–430 页）

1. 传统 RAG 的局限

1.1 什么是传统 RAG（复习）

  • RAG = Retrieval-Augmented-Generation（检索增强生成）——企业生成式 AI 最常用的架构
  • 目标：用特定私有文档回答用户问题，而不是 LLM 训练数据
  • 口诀：别让 LLM 猜答案——把答案给它，让它总结
  • 本质：「接地（Grounding）」机制——让 LLM 扎根事实，减少幻觉，能用新信息

1.2 传统 RAG 架构：被动管道

传统 RAG 是单向线性「链」：

[Query 查询] -> [Embed 嵌入] -> [Search 搜索] -> [Stuff 塞入] -> [Generate 生成]
  1. 用户查询：“我们 Q3 营收多少？”
  2. 嵌入：查询转成向量（数字列表）
  3. 搜索：用向量找向量库中 Top-K（前5） 最相似的文本块
  4. 塞入：原始文本块「塞」进 LLM 的提示上下文
  5. 生成：LLM 只用给定文本回答

1.3 核心问题：RAG 「被动又笨」

管道不能自己思考：

  1. 单次检索（One-Shot）：只搜一次——Top-K 结果差或无关，整个过程就失败
  2. 不能自我纠正：LLM 不能"顶嘴"检索器——不能说"这些搜索结果没用，换个查询词再搜"
  3. 复杂多步问题直接失败：查询"对比我们 Q3 营收与头号竞争对手 Q3 营收"——单次搜索不可能同时找到两者，只会找到其中一个或噪音

1.4 架构师视角：局限总结

  • 系统：线性单向「链」；智能：LLM 只在最后用一次（总结）
  • 失败模式：脆弱——第一步（检索）不完美就全盘失败
  • 后果：只能回答简单"查表式"问题，不能做研究

我们有的是「检索器系统」，不是「推理系统」

2. Agentic RAG：定义与超能力

2.1 正式定义

  • 不是「改进」，是根本性的架构转变：从被动数据管道 → 主动智能过程
  • 定义：把「推理 Agent」（LLM）放在整个检索与综合过程的「总指挥」位置
  • 「主动研究员」模型：不是被动接收数据，而是主动决定搜什么、何时搜、如何应对搜索结果
  • 核心转变：LLM 不再在链条末端——LLM 是整个循环的「编排者」

2.2 新架构：「循环」不是「链条」

传统 RAG（链）：  [Query] -> [Search] -> [Stuff] -> [Generate]
                   （单向被动管道，每步只执行一次）

Agentic RAG（环）：[Agent: Reason/Plan]
                   -> [Agent: Act (Search)]
                   -> [Results: Perceive]
                   -> [Agent: Reason/Reflect/Update Plan]
                   -> [Agent: Act (Search Again)] ...

这就是 ReAct 模式应用到研究

架构转变

传统 RAG：链条
Query→Search→Stuff→Generate
（每步一次，单向）

Agentic RAG：循环
Reason→Act→Perceive→Reflect→Act...
（LLM 是总编排者）

2.3 三大「超能力」（逐一解决传统 RAG 的三大缺陷）

超能力 解决 说明
1. 多步检索 单次检索 搜→读→再搜，渐进构建复杂知识
2. 反思与自我纠正 笨检索 批判自己的搜索结果：“这些结果无关，我换个措辞换个关键词再搜”
3. 自主规划 复杂问题 把复杂查询（“对比 X 和 Y”）分解成逻辑多步计划：①搜 X ②搜 Y ③综合

Agent 在多步推理循环中管理检索过程——不是「链/管道」，是「主动、反思、多步」的过程——能解决传统 RAG 不可能完成的复杂多部分研究问题。

3. Agentic RAG vs 传统 RAG（三维对比）

3.1 对比 1：过程（链 vs 环）

传统 RAG（链） Agentic RAG（环）
结构 固定线性管道，每步执行一次 动态循环图，迭代进行
搜索 一次 可多次调用
LLM 位置 最后一步（总结者） 第一步 + 中央编排者

3.2 对比 2：智能（笨 vs 反思）

  • 传统 RAG（不能自纠）：User Query → Dumb Retrieval（一次搜索）→ Bad Results → LLM (No Choice) 无选择 → Failure
  • Agentic RAG（为自纠而设计）：User Query → Initial Results → Smart Retrieval → Agent(LLM) → Reflection 反思 → Critique：“营销废话，无关” → Self-Correct 自我纠正

3.3 「笨助理」 vs 「资深研究员」

  • 「传统 RAG 是笨助理」：用户问 “Top 5 books on finance” → 机器人"取最先找到的 5 本，递过去就走人，不知道好不好、相不相关"（单次被动查表）
  • 「Agentic RAG 是资深研究员」：用户问 “Analyze the market impact of Event A” → 研究员主动研究分析

3.4 对比 3：架构师的选择（权衡）

传统 RAG Agentic RAG
速度 快（一次搜索一次 LLM 调用，低延迟） 慢（多步 LLM 调用 → 高延迟）
成本 便宜（token 最少） 贵（每步反思都是完整 LLM 调用）
复杂度 简单（好建好调好确定） 复杂（难建难调，天然非确定）

答案是经典的架构师「看情况（it depends）」

3.5 何时用哪个？

用传统 RAG（查表任务）：简单问答（“公司 PTO 政策是啥？”）、简单总结（“总结这份文档”）——目标：速度、省钱、高可靠。

用 Agentic RAG（研究任务）：复杂多步问题；模糊歧义查询（“市场对我们新产品的情绪如何？”）——目标：强大、稳健、能解决复杂问题（延迟不那么重要）。

两把工具，两种工作：传统 RAG = 简单快便宜的「链」；Agentic RAG = 复杂慢贵的「环」

4. 主动研究员循环（逐步走一遍）

4.1 场景：复杂研究任务

目标：找出新产品 “Product X” 对公司 “Company Y” 的财务影响。

  • 传统 RAG 为什么失败：整串查询搜一次找不到有用的东西——查询歧义、多部分，需要策略

4.2 循环逐步拆解

循环 1：

  • [Reason] 初始计划：“这很复杂，不能直接回答。计划：①先找 Product X 的发布时间 ②再找 Company Y 在发布后的季度财报”
  • [Act] 执行计划第一步：search("Product X launch date")
  • [Perceive] 观察：“搜索结果表示 Product X 于 2024 年 Q2 发布”
  • [Reason] 反思更新计划：“有发布时间了（Q2 2024），原计划更新：①已完成 ②找 Company Y 的 2024 Q2/Q3 财报”

循环 2：

  • [Act] 执行更新后的第二步：search("Company Y quarterly report Q2 2024 Q3 2024 financial impact")
  • 关键洞察：第二次搜索更聪明更具体——只有循环 1 获得的知识才能做到
  • [Perceive] 拿到第二组结果（财报）
  • [Reason] 综合：“信息齐了：①发布时间 Q2 2024 ②Q2/Q3 财报显示’新产品’部门增长 15%。计划完成，可以生成最终答案”
  • 最终输出：综合所有收集的事实成一个答案

目标：Product X 对 Company Y 的财务影响

循环1 Reason
计划：先找发布日

循环1 Act
search 发布日

循环1 Perceive
→ Q2 2024 发布

循环2 Reason
更新计划：找 Q2/Q3 财报

循环2 Act
search 财报（更聪明）

循环2 Perceive+Reason
→ 增长 15%，综合

最终答案

4.3 总结：循环的本质

  • 我们没做「单次搜索」——执行了动态多步研究计划
  • 循环 1：Agent “无知”，寻找「已知的未知」（发布日期）
  • 循环 2：Agent “知情”，用新知识寻找最终答案

[Reason → Act → Perceive → Reflect] 循环 = Agentic RAG 的核心引擎

5. Agentic RAG 三大用例

用例 1：复杂对比研究

  • 查询：“对比英伟达、AMD、英特尔过去 3 年的芯片架构”
  • 传统 RAG 失败：「致命」查询——向量库里没有任何单一文档能回答；整串搜 = 噪音
  • Agentic RAG 成功（分解）：①search(“Nvidia 芯片架构 2023-2025”) ②search(“AMD …”) ③search(“Intel …”) ④synthesize_comparison(结果1,2,3)

用例 2：自动化尽职调查

  • 查询：“分析 Company Z 的市场情绪与财务健康状况”
  • 传统 RAG 失败：查询模糊——"情绪"和"财务健康"什么意思？简单向量搜索没用
  • Agentic RAG 成功（策略制定）：把模糊术语翻译成具体研究策略——①search(“Z 最新季度财报”)（财务健康）②search(“Z 股票分析师评级”)（情绪）③search(“Z 近期新闻 产品发布 OR 丑闻”)（情绪）

用例 3：科学/法律文献综述

  • 查询如：“总结科学界对某新药的共识”——多步过程需要自我纠正（反思）

什么时候需要 Agentic RAG？

查询需要以下三要素之一：

  1. 分解（Decomposition）：复杂查询要拆成多部分（“对比 X、Y、Z”）
  2. 策略（Strategy）：模糊查询要翻译成具体计划（“分析情绪…”）
  3. 反思（Reflection）：多步过程需要自我纠正（“总结共识…”）

6. 小结

本段精华：

  1. 传统 RAG = 单向链条：Query→Embed→Search→Stuff→Generate，每步一次——被动、笨、脆弱（第一步检索失败就全盘崩）
  2. 三大缺陷：单次检索 / 不能自我纠正 / 复杂多步问题失败——只能做「查表」，不能做「研究」
  3. Agentic RAG = 主动循环：LLM 从链条末端变成总编排者——Reason→Act→Perceive→Reflect 循环 = ReAct 应用到研究
  4. 三大超能力对症下药：多步检索（解单次）、反思自纠（解笨）、自主规划（解复杂）
  5. 对比三连：过程（链 vs 环）、智能（笨 vs 反思）、权衡（快便宜简单 vs 慢贵复杂）——经典「看情况」
  6. 笨助理 vs 资深研究员：取最先 5 本就递过去走人 vs 主动研究分析——一张图记住两者区别
  7. 选型：查表任务（PTO 政策问答）→ 传统 RAG；研究任务（对比/情绪分析）→ Agentic RAG
  8. 主动研究员循环实例：先搜「已知的未知」（发布日期）→ 用新知识做更聪明的第二次搜索 → 综合答案——循环 2 的查询只可能来自循环 1 的收获
  9. 三大用例：对比研究（分解）、尽职调查（策略制定）、文献综述（反思）——需要分解/策略/反思时就用 Agentic RAG
  10. 下一段预告：Agent 通信协议——ACP / A2A / AG-UI / MCP 四大协议全景（「巴别塔」问题 → 标准化协议）
# 人工智能 # 架构 # 机器学习 # RAG
Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

cover

深入理解 AI Agent · AGENT #02：Agent 的四大核心机制，拆开来看每个都在干什么

avatar AI Agent技术社区

MCP协议开发实战：从零搭建AI Agent工具链

本文介绍了MCP协议在AI工具链中的应用与实践。MCP协议旨在解决异构工具集成难题，为AI模型提供标准化、安全的工具调用接口。文章详细解析了MCP的核心架构，包括Server、Client、Transport等组件，以及通信流程与安全模型。通过实战示例，指导读者开发计算器和文件系统工具Server，并集成到Claude等AI客户端中。进阶部分展示了如何构建复杂工具链，包括API集成、数据库查询和多

avatar AI Agent技术社区
cover

AI Tool 设计：粒度、参数与错误恢复怎么做

avatar AI Agent技术社区