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 Agent

Agentic 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, source=agent.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 RAG（Naive）	Agentic 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PDF）

3. 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👇👇