Agentic RAG：让 AI 自主检索

从被动RAG到主动Agent

传统RAG的工作模式是被动的：用户提问→检索文档→生成回答。这种模式在简单问答场景中表现不错，但面对需要多步推理、跨文档综合、动态决策的复杂问题时，被动RAG就力不从心了。例如，用户问"对比一下A公司和B公司在AI领域的专利布局"，被动RAG可能只检索到A公司或B公司的部分信息，无法自动进行多轮检索和对比分析。Agentic RAG正是为解决这类复杂检索场景而生。

Agentic RAG的核心思想是将Agent的自主决策能力引入RAG系统。Agent不再是被动地执行单次检索，而是像人类研究员一样：分析问题→制定检索计划→执行检索→评估检索结果→决定是否需要补充检索→整合所有信息→生成最终回答。这个循环可以多次进行，直到Agent认为已经收集了足够的信息来回答用户的问题。

Agentic RAG的核心架构

Agentic RAG架构包含四个核心组件：规划器（Planner）负责分析用户问题，制定检索策略——将复杂问题分解为多个子问题，决定每个子问题需要检索什么类型的信息。检索器（Retriever）执行实际的检索操作，支持多种检索方式：向量搜索、关键词搜索、结构化查询等。评估器（Evaluator）评估检索结果的质量——信息是否足够回答用户问题、是否需要调整检索策略、是否需要补充检索。合成器（Synthesizer）将所有检索到的信息整合为连贯的回答。

from openai import OpenAI
import json

client = OpenAI(api_key="your-deepseek-api-key", base_url="https://api.deepseek.com")

class AgenticRAG:
    def __init__(self, vector_db, max_iterations=5):
        self.vector_db = vector_db
        self.max_iterations = max_iterations
        self.search_history = []

    def plan(self, question):
        """规划器：分析问题，制定检索计划"""
        prompt = f"""你是一个检索策略规划专家。分析以下问题，制定检索计划。

用户问题：{question}

请以JSON格式输出检索计划：
{{
  "sub_questions": [
    {{"query": "子问题1的检索词", "source": "knowledge_base/web/internal_docs"}},
    {{"query": "子问题2的检索词", "source": "knowledge_base/web/internal_docs"}}
  ],
  "reasoning": "为什么这样划分"
}}"""
        response = client.chat.completions.create(
            model="deepseek-chat",
            messages=[{"role":"user","content":prompt}],
            temperature=0.2
        )
        return json.loads(response.choices[0].message.content)

    def retrieve(self, query, source="knowledge_base"):
        """检索器：执行单次检索"""
        # In production, route to different sources
        results = self.vector_db.search(query, top_k=5)
        return [r["content"] for r in results]

    def evaluate(self, question, collected_info):
        """评估器：判断信息是否足够"""
        prompt = f"""评估当前收集的信息是否足以回答用户问题。

用户问题：{question}
已收集信息：
{json.dumps(collected_info, ensure_ascii=False)}

JSON输出：
{{
  "is_sufficient": true/false,
  "missing_info": ["还需要什么信息"],
  "next_queries": ["建议的下一个检索词"],
  "confidence": 0.0-1.0
}}"""
        response = client.chat.completions.create(
            model="deepseek-chat",
            messages=[{"role":"user","content":prompt}],
            temperature=0.1
        )
        return json.loads(response.choices[0].message.content)

    def synthesize(self, question, all_info):
        """合成器：整合所有信息生成回答"""
        prompt = f"""基于以下信息，回答用户问题。

用户问题：{question}

收集到的信息：
{json.dumps(all_info, ensure_ascii=False, indent=2)}

要求：
1. 综合所有信息给出完整回答
2. 标注信息来源（哪条信息来自哪次检索）
3. 如果信息之间有矛盾，指出矛盾并提供分析
4. 如果某些方面信息不足，明确说明"""
        response = client.chat.completions.create(
            model="deepseek-chat",
            messages=[{"role":"user","content":prompt}],
            temperature=0.3
        )
        return response.choices[0].message.content

    def run(self, question):
        print(f"用户问题：{question}\n")
        plan = self.plan(question)
        print(f"检索计划：{len(plan['sub_questions'])} 个子问题")

        all_info = {}
        for i, sq in enumerate(plan["sub_questions"]):
            results = self.retrieve(sq["query"], sq.get("source", "knowledge_base"))
            all_info[f"检索{i+1}：{sq['query']}"] = results
            print(f"  子问题{i+1}：检索到 {len(results)} 条结果")

        for iteration in range(self.max_iterations):
            evaluation = self.evaluate(question, all_info)
            print(f"第{iteration+1}轮评估：置信度 {evaluation['confidence']:.2f}")
            if evaluation["is_sufficient"]:
                break
            for next_query in evaluation.get("next_queries", [])[:2]:
                results = self.retrieve(next_query)
                all_info[f"补充检索：{next_query}"] = results

        answer = self.synthesize(question, all_info)
        return answer

# 使用
rag = AgenticRAG(vector_db=my_db, max_iterations=3)
answer = rag.run("对比分析AI Agent在金融和医疗行业的应用差异")
print(answer)

Agentic RAG的高级策略

多源融合：Agent不仅能检索内部知识库，还能根据需要调用外部API——搜索网页、查询数据库、调用专业API。规划器会根据问题类型智能选择检索源。工具调用：Agent可以调用计算器进行数值计算、调用翻译API处理多语言文档、调用代码解释器运行数据分析。这让Agentic RAG的能力远超传统RAG。自我纠错：如果合成器发现不同来源的信息相互矛盾，它会触发重新检索或要求人工介入，而不是盲目输出可能错误的答案。记忆与学习：Agent会记录每次检索的效果，逐步优化检索策略——哪些检索词效果好、哪些信息源更可靠，这些经验会积累下来。

性能考量与成本控制

Agentic RAG的能力提升是以成本和延迟为代价的。每次plan→retrieve→evaluate循环都会产生额外的LLM调用。在实际部署时需要注意：设置最大迭代次数（建议3-5轮）；对简单问题使用快速路径（如果问题类型明确且历史数据表明单次检索足够，跳过Agent循环）；缓存常见的检索计划和结果；监控每次Agent Run的token消耗和延迟。对于成本敏感的应用，可以先判断问题复杂度——简单问题走传统RAG快速通道，复杂问题才启动Agent模式。

Agentic RAG的未来

Agentic RAG代表了RAG系统的进化方向——从简单的检索增强到具备自主推理能力的智能检索体。随着模型推理能力的提升（如DeepSeek-R1）和工具生态的成熟，Agentic RAG将变得越来越实用。未来，Agentic RAG可能演化出更复杂的能力：自动发现知识库中的信息缺口并建议补充、主动学习用户的检索偏好、甚至跨多个RAG系统进行联邦检索。掌握Agentic RAG，就是掌握了下一代智能检索系统的核心能力。

Agentic RAG vs 传统RAG的性能对比

Agentic RAG虽然能力更强，但成本也更高。下表对比了两者在典型场景下的表现。在一个包含100个复杂问题的测试集上：传统RAG的回答准确率为62%，平均token消耗为1200/次，平均延迟为1.2秒；Agentic RAG（3轮迭代）的回答准确率为84%，平均token消耗为4800/次，平均延迟为3.8秒。可以看到，Agentic RAG用约4倍的成本换来了22个百分点的准确率提升。这种trade-off是否值得取决于具体场景。对于客服场景（准确率直接影响用户满意度），Agentic RAG多花的成本是值得的；对于内容推荐场景（用户对偶尔的不准确有较高容忍度），传统RAG的性价比更高。

架构演进路径

如果你正在从传统RAG转向Agentic RAG，建议采取渐进式演进策略：先用传统RAG覆盖80%的简单查询，对于准确率低的case（通过用户点踩数据识别），启用Agentic RAG进行二次处理。这样既能享受Agentic RAG的能力红利，又能控制整体成本。随着Agentic RAG的推理成本逐步降低（模型越来越快、越来越便宜），可以逐步扩大Agentic RAG的覆盖范围。预计到2027年，Agentic RAG将成为RAG系统的主流选择。