出品方：罗可龙的博客
背景事实
自大语言模型（LLM）崛起以来，检索增强生成（Retrieval-Augmented Generation, RAG）迅速成为最热门的技术架构。它通过从外部知识库中检索相关信息，再注入到LLM的上下文中，有效解决了模型的知识局限和“幻觉”问题。一时间，几乎所有企业级AI应用都将RAG奉为圭臬。这个经典的“检索-生成”两步走范式，简单、直接，也确实在很多场景下取得了成功。
然而，技术的演进从不停止。当我们还在优化 embedding 模型和 re-ranking 算法时，一股更强大的力量——智能体（Agent），已经开始从根本上颠覆这个范式。
核心观点
让我把话说得更直接一些：作为一种简单、线性的数据管道，“纯粹RAG”（Pure RAG）的黄金时代正在结束。我们正在目睹的，不是RAG的死亡，而是它的蜕变与重生。未来不属于那些只会被动地执行“向量搜索-文本填充”任务的系统，而属于能够主动推理、迭代查询、并智能编排上下文的“智能体搜索”（Agentic Search）和“上下文工程”（Context Engineering）。LLM正在从一个温顺的“答案合成器”，进化为一个主动的“知识探寻者”。
论据支撑
1. 从被动“投喂”到主动“觅食”：智能体带来了推理能力
“纯粹RAG”的本质是被动的。它像一个没有判断力的图书管理员，用户问什么，它就根据关键词或语义相似度，机械地从书架上抽出几本书，一股脑地塞给用户。如果用户的问题比较复杂，比如“对比一下2023年第三季度欧洲和亚洲光伏市场的增长驱动因素及其对供应链的影响”，纯粹RAG很可能会因为找不到一个能完美匹配整个问题的单一文档而宣告失败，或者返回一堆不相干的材料。
而一个基于智能体的系统则完全不同。它会像一个真正的分析师那样思考：
- 分解问题：首先，它会将复杂问题拆解为多个子问题：“Q3欧洲光伏市场增长报告”、“Q3亚洲光伏市场增长报告”、“全球光伏供应链分析报告”。
- 迭代查询：它会依次执行这些查询，并评估返回结果的质量。如果第一次搜索结果不佳，它会自我反思并调整查询策略，比如增加“官方数据”、“行业分析”等关键词。
- 综合推理：在收集到足够的信息片段后，它会进行综合、对比和推理，最终形成一个逻辑严密的答案。
这种从被动信息投喂到主动信息觅食的转变，是质的飞跃。它让AI不再是一个简单的信息搬运工，而是一个具备初级研究能力的智能伙伴。
2. 超越向量数据库：智能体的“多工具箱”
纯粹RAG的世界里，知识库往往等同于向量数据库。但这严重窄化了知识的来源。真实世界的知识是异构的、多模态的，它们分散在结构化的SQL数据库、非结构化的文档、实时的API接口以及公开的互联网中。
智能体架构天生就是“多工具协同”的范式。一个设计精良的智能体可以被赋予一个工具箱，里面装着各种工具：向量检索工具、SQL查询工具、API调用工具、网页浏览工具等。当面对“我们公司上个季度销量最高的产品是哪个？它的主要供应商的股价现在是多少？”这样的问题时，智能体可以自主规划执行路径：
- 调用 SQL查询工具，连接公司销售数据库，查出销量最高的产品。
- 调用 向量检索工具 或 数据库查询工具，在产品知识库中找到该产品对应的供应商信息。
- 调用 API调用工具 或 网页浏览工具，查询该供应商的实时股价。
这种能力是纯粹RAG望尘莫及的。它将RAG的应用场景从封闭的文档问答，扩展到了一个能与真实世界动态交互的、无垠的知识空间。
反驳与回应
当然，会有人提出反对意见。
最常见的观点是：“智能体系统过于复杂，成本高昂，而纯粹RAG简单高效，对很多场景来说已经‘足够好’了。”
我的回应是：我们必须区分“玩具应用”和“生产力工具”。对于简单的FAQ机器人或者个人知识库，纯粹RAG或许足够。但对于法律、金融、科研、医疗等需要高度准确性和深度分析的专业领域，“足够好”往往意味着“不够可靠”。在这些领域，一个错误或遗漏的答案可能导致巨大的损失。智能体系统带来的复杂性，换来的是前所未有的可靠性、精确度和能力边界的拓展。这种投入是必要的，其价值将远远超过增加的计算成本。当竞争对手的AI能像初级律师一样梳理案件脉络时，你的AI还停留在关键词匹配，谁会被淘汰不言而喻。
另一个质疑是：“这不过是过度工程。问题的核心依然是检索内容的质量。”
这个观点只说对了一半。内容质量固然是基础，但一个聪明的“研究员”（智能体）能够通过交叉验证、多源比对、逻辑推理等方式，在不完美的信源中挖掘出真相。而一个笨拙的“检索器”（纯粹RAG）即使面对高质量的信源，也可能因为无法理解问题的深层意图而给出错误的答案。智能体的价值，恰恰在于为不完美的检索结果增加了一个强大的“智能容错层”和“逻辑推理层”。
我的看法
我们正处在一个关键的转折点。将RAG视为一个孤立的、固定的技术模块的看法已经过时。
个人认为，未来的趋势是将RAG作为智能体工具箱中一个基础但重要的组件。开发者和架构师的关注点，应该从如何微调一个向量检索模型，转向如何设计一个强大的、能够协同多种工具的智能体执行框架（Agentic Framework）。我们需要思考的是，如何让智能体更好地理解用户意图、规划任务、选择工具、并从执行结果中学习和反思。
这不仅仅是一次技术升级，更是一场范式革命。我们正在从构建“信息检索系统”转向构建“知识工作系统”。那些能够率先拥抱这一变化，将简单的RAG升级为由智能体驱动的、动态的上下文工程系统的公司和开发者，将在这场AI竞赛的下半场中，获得决定性的优势。纯粹RAG的安逸区即将消失，而智能体引领的广阔天地，才刚刚展开。
转载请注明出处：罗可龙的博客 | 联系邮箱：[email protected]