出品方：罗可龙的博客
背景事实
检索增强生成（RAG）已经成为解决大语言模型（LLM）知识局限性和幻觉问题的行业标准。其核心逻辑非常直白：当用户提问时，系统首先从外部知识库（如向量数据库）中检索相关信息，然后将这些信息与原始问题一同喂给 LLM，生成最终答案。这个“先检索、后生成”的线性流程，在过去两年里催生了无数应用，也几乎成了所有知识问答类产品的技术基石。
然而，当问题变得复杂、需要多步推理或综合多个信息源时，这种传统的、静态的 RAG 架构开始捉襟见肘。业界的回应是引入 Agent 的概念，将 RAG 升级为所谓的 Agentic RAG，甚至是多智能体（Multi-Agent）RAG。
核心观点
许多人将 Agentic RAG 视为传统 RAG 的一次“升级”或“进化”，认为它只是在原有链条上增加了几个环节。我认为这种看法大大低估了其变革的深度。Agentic RAG 并非传统 RAG 的线性进化，而是一场彻底的范式革命。 它从根本上改变了 LLM 与信息之间的关系——LLM 不再是被动的信息“合成器”，而是变成了主动规划、执行、反思的“研究员”。这种转变，将决定下一代 AI 应用的形态和天花板。
论据支撑
首先，控制权的转移：从开发者编码到模型自主推理。
在传统 RAG 架构中，整个流程是确定性的、由代码写死的。何时检索、检索什么、如何整合，这些逻辑完全由开发者预先定义。它是一个固定的“数据管道”。但在 Agentic RAG 中，控制中心从开发者的代码转移到了 LLM 本身。Agent 利用其推理能力，自主决定是否需要检索、检索多少次、如何迭代优化检索查询、以及何时停止检索并给出答案。
举个例子，对于“相比去年，今年我们公司主要竞争对手的市场策略有哪些变化？”这种复杂问题，传统 RAG 可能会一次性检索回一堆相关文档，然后试图从中“缝合”出一个答案，结果往往差强人意。而 Agentic RAG 则会像一个真正的分析师那样行动：
- 规划： 将问题分解为“识别主要竞争对手”、“查找去年的市场策略”、“查找今年的市场策略”、“对比并总结变化”等子任务。
- 执行与迭代： 针对每个子任务进行检索，甚至在前一步检索结果不佳时，主动反思并修改查询词，进行第二轮、第三轮检索。
- 综合： 在收集到足够信息后，才进行最终的综合分析和生成。
这种从被动接受指令到主动规划执行的转变，是质变而非量变。
其次，知识源的扩展：从单一数据源到异构工具箱。
传统 RAG 通常与单一的向量数据库绑定，其能力被限制在预先索引好的知识范围内。Agentic RAG 则将“检索”本身视为一种“工具（Tool）”。这意味着 Agent 不仅可以查询向量数据库，还可以根据任务需要，自主选择调用其他工具，例如：
- 访问 SQL 数据库来获取结构化销售数据。
- 调用搜索引擎 API 来获取实时新闻。
- 查询公司内部的 API 来获取员工信息。
在这种范式下，知识库不再是一个静态的“池子”，而是一个动态的“工具箱”。Agent 的核心能力，是学会根据任务的上下文，智能地选择和组合使用这些工具。这种架构的潜力，已经远远超出了“问答”，而是迈向了能够自主完成复杂任务的自动化系统。当多个专职 Agent（如“数据分析 Agent”、“网络搜索 Agent”、“报告撰写 Agent”）协同工作时，一个初级的多智能体系统便诞生了，其解决问题的能力呈指数级增长。
反驳与回应
当然，这种范式转移并非没有代价，最主要的反对意见集中在两点：复杂性与成本，以及可控性与可靠性。
反对意见一：Agentic RAG 的多步调用和反思循环，导致延迟增高、成本飙升。
这确实是当前面临的工程挑战。一次复杂的 Agentic RAG 查询可能涉及十几次甚至更多的 LLM 调用，相比传统 RAG 的一次调用，成本和时间都大幅增加。
我的回应是，这是新技术走向成熟的必经阶段，而非根本性缺陷。首先，随着模型即服务（MaaS）市场竞争加剧，以及更小、更专用的模型（例如用于规划或工具选择的微调模型）的出现，单位推理成本正在快速下降。其次，我们不能只看成本，更要看价值。Agentic RAG 解决的是传统 RAG 根本无法解决的复杂问题，其创造的价值足以在很多场景下覆盖增加的成本。将眼光局限于单次调用的成本，是一种战术上的短视。
反对意见二：Agent 的自主决策路径难以预测和调试，系统变得不可靠。
这种“失控”的担忧是合理的。一个设计不佳的 Agent 可能会陷入无限的检索循环，或者做出错误的工具选择，导致任务失败。
我的回应是，这恰恰是新范式带来的新挑战，我们需要从“管理数据管道”的旧思维，转向“编排和观察智能体”的新思维。解决方案不在于退回到确定性的老路，而在于发展更先进的 Agent 编排框架、可观测性（Observability）工具和严格的护栏（Guardrails）机制。我们需要能够追踪 Agent 的每一步思考过程，理解其决策逻辑，并在其偏离轨道时进行干预。这正是当前 AI 工程领域最前沿、也最有价值的研究方向。
我的看法
传统 RAG 架构的优化已经触及天花板，无非是在分块（Chunking）、嵌入（Embedding）和排序（Reranking）等环节上做些修补。而真正的未来，在于拥抱 Agentic RAG 带来的不确定性和强大能力。
个人认为，从业者应该尽快转变思路。与其继续在传统 RAG 的“管道工程”上精雕细琢，不如开始探索和构建以 Agent 为核心的“智能系统”。这意味着我们的关注点需要从“如何提高检索精度”，转移到“如何让 Agent 更聪明地规划和使用工具”。这不仅是对技术的挑战，更是对产品设计和系统架构思维的一次全面革新。Agentic RAG 不是终点，而是通往更通用、更自主的 AI 的重要一步。这条路虽然更难，但风景也必然更壮丽。
转载请注明出处：罗可龙的博客 | 联系邮箱：[email protected]