RAG系列：从传统 RAG 演进到 Agentic RAG 架构设计

传统 RAG 存在很多问题，比如：只能检索和生成一次，无法动态搜索更多信息，难以处理复杂查询的推理问题，且传统 RAG 系统不能根据问题调整策略。Agentic RAG 旨在解决这些问题，其核心在于在 RAG 的每个阶段引入 AI Agent 智能体达到智能化行为。

—1—

传统 RAG 架构设计

传统 RAG （Retrieval-Augmented Generation，即“检索增强生成”）模型在多个方面存在局限，如下图所示：

首先，其检索和生成过程仅进行一次，无法在上下文信息不足时进行动态搜索和补充；

其次，缺乏必要的推理能力，难以应对复杂查询；

最后，系统策略固定，无法根据不同问题进行灵活调整。

—2—

Agentic RAG 架构设计

Agentic RAG 尝试克服传统 RAG 的诸多问题。其创新之处在于在每个阶段融入 AI Agent 智能体的智能化（Agentic）行为，如下图所示：

具体处理流程如下图所示：

首先第1-2步，AI Agent 智能体会重写查询以纠正错误；

接着第3-8步，AI Agent 智能体判断是否需要额外上下文信息，并据此选择最佳外部来源；

然后第9步，将信息传递给 LLM 大模型生成响应；

最后，AI Agent 智能体会检查答案相关性，决定是否返回响应或重新从第1步开始。

此过程可重复进行，确保生成结果与目标一致。需强调的是，此 Agentic RAG 架构仅为多种可能之一，可根据实际需求进行定制。