智能检索

从传统 RAG 到 Agentic RAG：一次范式跃迁 检索增强生成（Retrieval-Augmented Generation, RAG）在过去两年里几乎成了大模型应用的标配方案。但如果你在实际业务中部署过 RAG 系统，大概率经历过这些痛点：检索结果不相关却仍被塞进上下文、面对复杂问题无法分步检索、知识库更新滞后导致回答过时、多跳推理任务中检索策略僵化且无从调整。这些问题的根源在于传统 RAG 本质上是一个线性的、一次性的管道——查询进来，检索一轮，拼上下文，生成回答，结束。 Agentic RAG 的核心思路是把这个线性管道升级为一个闭环的、自适应的智能体系统。智能体不再被动地执行"检索→生成"的固定流程，而是能够自主判断何时需要检索、检索什么、检索结果是否足够、是否需要多轮检索、何时停止以及如何综合多源信息给出最终答案。这就像是把一个只会按食谱做菜的厨师，升级成了一个能根据食材、客人喜好和现场情况即兴创作的大厨。 Agentic RAG 的核心架构组件 1. 智能体控制器（Agent Controller） 整个系统的大脑。它负责理解用户意图，制定检索策略，决定下一步行动。与传统 RAG 中固定的流程不同，控制器是一个基于 LLM 的决策引擎，能够在"检索"、“推理”、“工具调用”、“回答"之间动态切换。 控制器的工作循环可以这样描述： 用户查询 → 意图分析 → 策略制定 → 行动执行 → 结果评估 → ├─ 信息充分 → 生成回答 ├─ 信息不足 → 重新检索（调整查询） └─ 需要工具 → 调用外部工具 这个循环本质上是一个 ReAct（Reasoning + Acting）模式的变体，但加入了专门的检索策略模块。 2. 多级检索引擎（Multi-Stage Retrieval Engine） 传统 RAG 通常只有一层向量检索。Agentic RAG 则部署了多级检索策略： 语义检索层：基于向量数据库的稠密检索，处理模糊语义匹配 关键词检索层：基于 BM25 等算法的稀疏检索，处理精确术语匹配 结构化检索层：知识图谱查询，处理实体关系推理 实时检索层：联网搜索 API，处理最新信息获取 智能体控制器会根据查询类型动态选择检索策略。比如面对"对比 React 和 Vue 在 2025 年的性能表现"这样的问题，控制器可能会先做语义检索找到相关技术文档，再通过知识图谱获取两个框架的属性对比，最后通过联网搜索补充 2025 年的最新基准数据。 ...