跳到主要内容

K7.2 Agentic RAG：让模型自己决定查几轮

「查一次」不够用的时候​

到目前为止，我们的 RAG 都是「一根筋」：检索一次、拼进去、答完收工。这对「一个问题、一段答案」的场景很好用。可真实问题常常没那么听话：

  • 「对比一下 A 和 B 两款产品的退货政策」——得查两次：A 的政策一次，B 的政策一次，才能对比；
  • 「去年 Q3 的营收是多少」——你可能得先查到「财报在哪个文档、哪个季度」，再去查具体那个数字，两步走；
  • 检索回来一看资料不够——那本该改写查询、再查一轮，而不是拿着残缺资料硬答。

固定的「查一次」，应付不了这些需要多步、对比、迭代的问题。

把检索从「一步」升级成「一个工具」​

Agentic RAG（智能体式 RAG）的思路很直接：别再把检索当成固定的前置一步，而是当成模型可以自主使用的工具。 模型自己决定——要不要查？查什么？查回来够不够？要不要换个说法再查一轮？

看出来了吗——这正是下篇智能体的思路。检索是一个工具，模型在「思考 → 行动 → 观察」的循环里反复调用它。事实上，这就是下篇 A3.3 Agentic RAG 讲的东西：

中篇的检索技术（K1~K6）+ 下篇的智能体循环 = Agentic RAG。 三部曲在这里交汇了。

Agentic RAG 由此获得了朴素 RAG 没有的几种能力：

  • 查询分解：把「对比 A 和 B」拆成两个子查询，分别检索，再综合；
  • 迭代检索：查完发现不够、或不相关，就改写查询、再查一轮，直到够了为止；
  • 自我核对：把多次检索的结果交叉验证，发现矛盾时再深挖。

代价也很实在。 更强意味着更贵更慢：多轮检索 = 多轮模型调用 + 多轮检索开销（回扣下篇 A7 的成本账）。而且多轮还意味着错误会累积——第一轮查偏了，后面越走越歪（下篇 A7 讲的「错误复利」在这里同样成立）。

别把 Agentic RAG 当成无脑升级

简单的单跳问答——「退货政策是什么」——用朴素 RAG 又快又好，套上一整个智能体循环纯属浪费。什么时候才值得上 Agentic RAG？问题需要多步、需要对比、需要「先找线索再找答案」的时候。 判断口诀和下篇 A0.2 一模一样：固定流程能搞定的，就别上智能体；只有当「查几轮、查什么」没法预先写死、得让模型看情况现定时，Agentic RAG 才划算（2025-2026 的普遍经验）。

小结​

本节要点
  • 固定的「查一次」应付不了需要多步、对比、迭代的问题。
  • Agentic RAG 把检索从「前置一步」升级成「模型自主使用的工具」，让模型自己决定查什么、查几轮、够不够。
  • 它就是中篇检索 + 下篇智能体循环的结合（接下篇 A3.3），三部曲在此交汇。
  • 代价是更贵更慢、错误会累积；单跳简单问答别无脑上——固定流程能搞定就别上智能体。
📝 动手自测0/3
1. Agentic RAG 相比朴素 RAG，最核心的变化是什么？
2. 「对比一下 A 和 B 两款产品的退货政策」这个问题，为什么朴素 RAG 容易处理不好？
3. 关于什么时候该用 Agentic RAG，哪个判断最合理？

延伸阅读​