原文: https://mp.weixin.qq.com/s/0iZbROEfeHA470l4zM1mAg

**RAG往期文章推荐**
[RAG效果差？7个指标让你的准确率大幅提升](https://mp.weixin.qq.com/s/VV29xpdOMEkbz4iXmD_szg)
[RAG评测完整指南：指标、测试和最佳实践](https://mp.weixin.qq.com/s/am89yasxAvuYUToEAWNyTA)
[收藏！RAG核心工具大全: 7大解析工具+向量模型+数据库+检索排序](https://mp.weixin.qq.com/s/5XAWHqjZspU9xtC_CckV3w)
[GraphRAG开源生态全景：6大主流开源项目，微软/蚂蚁/港大项目同台PK](https://mp.weixin.qq.com/s/f8AZoxRMoXefedbnPzNBIQ)
[RAG系列：#5 RAG中的11种分块策略](https://mp.weixin.qq.com/s/Yax05qsVj1tXi77za8Wm2g)
[企业级落地方案：Docker 部署 CodeGraph 多项目统一 MCP 网关，附源码](https://mp.weixin.qq.com/s/9hZHi9F4Kscou8CaHhFNEg)
[一文搞定Gerrit/Gitee/GitHub MCP Server，实现开发全流程自动化](https://mp.weixin.qq.com/s/67AffPwDYEw4s4V7oSlrdQ)
[面向AIGC的检索增强生成综述](https://mp.weixin.qq.com/s/Z3355OEqzJBQvqXONxgO0g)

标题: Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG
链接：https://arxiv.org/pdf/2501.09136
github: https://github.com/asinghcsu/AgenticRAG-Survey

这是一篇关于 Agentic RAG（代理式检索增强生成） 的综述文章。系统性地梳理了传统 RAG 的局限性，并详细阐述了如何通过引入自主 AI 代理来构建更智能、更灵活的 Agentic RAG 系统。
![image](https://developer.qcloudimg.com/http-save/yehe-11939351/b5f7b2483584047c39cbec0773c52c75.png)
# 研究背景与动机

大模型受限于静态训练数据，存在知识过时、幻觉问题；传统 RAG 通过外部检索缓解该问题，但**传统 RAG（朴素 RAG、高级 RAG、模块化 RAG、****Graph****‑RAG）是静态线性****工作流**，存在三大痛点：
- **上下文融合不足**：检索到文档，但难以把信息无缝整合进回答，输出碎片化
- **多跳推理能力弱**：不能基于中间结果迭代调整检索策略，处理复杂问题容易答不全
- **可扩展性与延迟问题**：数据量大时计算开销高，实时场景时延不可控


**为了解决这些问题，Agentic RAG 应运而生。**它把具备自主决策能力的 AI 智能体融入 RAG 链路，依靠**反思、规划、工具调用、多智能体协作**四大智能体模式，动态调整检索策略、迭代优化上下文，适配复杂多步骤任务。

# RAG 技术演进路线

论文梳理 RAG 五代演进，对比各自优缺点：

| | | | |
|:-:|:-:|:-:|:-:|
|**范式**|**核心特征**|**优势**|**局限**|
|**Naïve RAG**|基于关键词检索（TF-IDF、BM25），静态数据集|简单易实现|缺乏语义理解、输出碎片化、扩展性差|
|**Advanced RAG**|密集向量检索（DPR）、神经重排序、多跳检索|高精度、上下文相关性强|计算开销大|
|**Modular RAG**|稀疏 + 稠密混合检索，组件可插拔，支持外部工具 API|高度灵活、可定制、可扩展|架构复杂|
|**Graph**** RAG**|引入知识图，强化实体关系推理|关系推理能力强|依赖高质量图数据、扩展性受限|
|**Agentic RAG**|自主智能体、动态决策、迭代精炼、工作流优化|实时适应、多域任务、高精度|协调复杂、计算开销大|

# 智能体的核心原理

![image](https://developer.qcloudimg.com/http-save/yehe-11939351/c372375edb7174b079bda55c0cea2185.png)
**智能体****的四大组件**
- **LLM****（角色与任务定义）**：推理引擎和对话接口
- **记忆（短期与长期）**：短期记忆跟踪对话状态，长期记忆存储累积知识
- **规划（反思与自我批评）**：通过反思、查询路由、自我批评分解复杂任务
- **工具（向量搜索、网络搜索、****API****等）**：调用向量检索、网页搜索、数据库 API，突破模型内部知识边界

**四大智能体设计模式**

| | | |
|:-:|:-:|:-:|
|**模式**|**说明**|**典型工作**|
|**Reflection（反思）**|智能体迭代评估和精炼自身输出，通过自我反馈识别错误|Self-Refine、Reflexion、CRITIC|
|**Planning（规划）**|自主将复杂任务分解为可管理的子任务|适用于动态适应场景|
|**Tool Use（工具使用）**|与外部工具、API、计算资源交互，扩展能力|GPT-4 函数调用|
|**Multi-Agent（多****智能体****协作）**|多个专业智能体分工协作，并行处理|AutoGen、CrewAI、LangGraph|

# 五大智能体工作流模式

- **Prompt Chaining（提示链）**：任务拆解为顺序子步骤，串行执行；适合步骤固定任务
- **Routing（路由）**：对输入分类，分发到对应的处理链路；不同类型请求差异化处理
- **Parallelization（****并行****化）**：子任务并行执行，分为分片执行、多模型投票校验；降低时延
- **Orchestrator-Workers（编排器-工作者）**：中央智能体动态拆分任务，分配给多个工作智能体，聚合结果；子任务不预先固定
- **Evaluator-Optimizer（评估器-****优化器**）**：生成初始结果，评估模型给出反馈，循环迭代优化输出


# Agentic RAG 系统分类

论文最核心内容，提出了基于**智能体****数量、控制结构、自主性和知识表示**的系统分类：
**1) 单**智能体Agentic RAG**
![image](https://developer.qcloudimg.com/http-save/yehe-11939351/7c412da9046b310d25697684140a9ed6.png)
- **架构**：一个中央智能体管理所有检索、路由和整合任务
- **工作流**：查询提交 → 评估 → 选择知识源（结构化数据库/语义搜索/网络搜索/推荐系统）→ LLM 综合 → 输出生成
- **优势**：集中式简单、资源优化、动态路由
- **适用**：适合工具少、任务简单场景（客服订单查询）

**2) 多****智能体**Agentic RAG**
![image](https://developer.qcloudimg.com/http-save/yehe-11939351/99054ce6be11bc0f02e1c56380a68440.png)
- **架构**：多个专用智能体分工（SQL 检索、向量检索、网页搜索），可并行执行
- **工作流**：协调器接收查询 → 分发给专业检索智能体（SQL/语义/网络/推荐）→ 并行检索 → LLM 综合 → 输出
- **优势**：模块化、可扩展、任务专业化、并行处理
- **挑战**：协调复杂、计算开销、数据整合困难
- **适用**：多域研究助手、复杂分析

**3)  分层 Agentic RAG**
![image](https://developer.qcloudimg.com/http-save/yehe-11939351/a4bac93a20d8797f4b7d487152121107.png)
- **架构**：层级式架构，高层智能体做任务评估与委派，下层智能体执行检索
- **工作流**：顶层智能体评估查询复杂度 → 战略决策 → 委派给中层/底层智能体 → 聚合综合
- **优势**：战略优先级排序、可扩展、增强决策
- **挑战**：跨层级协调复杂、资源分配困难
- **适用**：金融分析、需要战略监督的场景

**4) 纠正性 Agentic RAG**
![image](https://developer.qcloudimg.com/http-save/yehe-11939351/bd54aef96845940857580e999ff530fe.png)
- **核心思想**：增加专门智能体做文档相关性评估；对低相关文档，执行查询改写、补充外部检索；迭代过滤无关文档，抑制幻觉
- **五大****智能体**：
	- 上下文检索智能体：从向量库检索初始文档
	- 相关性评估智能体：评估文档相关性
	- 查询精炼智能体：重写查询以优化检索
	- 外部知识检索智能体：在上下文不足时进行网络搜索
	- 响应综合智能体：生成最终响应
- **优势**：迭代纠正、动态适应、事实性保证

**5) 自适应 Agentic RAG**
- **核心思想**：增加查询复杂度分类器；简单问题直接大模型回答，中等问题单次检索，复杂问题多步迭代检索；节省算力，优化时延
- **分类器**：用小语言模型预测查询复杂度
- **三种策略**：
	- **简单查询**：直接生成（无需检索）
	- **中等查询**：单步检索
	- **复杂查询**：多步检索，逐步精炼
- **优势**：资源高效、动态适应、增强准确性

**6) 基于图的 Agentic RAG**
- **Agent-G**
	- 整合图知识库与非结构化文档检索
	- **组件**：检索器库（模块化智能体）、批评模块（验证质量）、动态智能体交互、LLM 综合
	- **优势**：增强推理、动态适应、提高准确性
		![image](https://developer.qcloudimg.com/http-save/yehe-11939351/80fcd65af2e1d86f2ad9563209f79a55.png)
- **GeAR（Graph-Enhanced Agent for RAG）**
	- 通过**图扩展技术**增强传统 RAG
	- 处理多跳检索场景，自动选择图扩展检索路径
	- **优势**：增强多跳检索、智能体决策、提高准确性
		![image](https://developer.qcloudimg.com/http-save/yehe-11939351/560bac61a8866cdea6566186157997e7.png)

**7) 智能体文档工作流（ADW）**
- 扩展传统 RAG，实现端到端知识工作自动化
- **工作流**：文档解析 → 状态维护 → 知识检索 → 智能体编排 → 可操作输出生成
- **优势**：状态维护、多步编排、领域特定智能、大规模处理
- **适用**：发票处理、合同审查、索赔分析
	![image](https://developer.qcloudimg.com/http-save/yehe-11939351/6521f8f8f79f9430a64551b9fe15f8fa.png)

# RAG框架的对比分析

**传统 RAG VS Agentic RAG VS ADW**

| | | | |
|:-:|:-:|:-:|:-:|
|**维度**|**传统 RAG**|**Agentic RAG**|**ADW**|
|**焦点**|孤立检索与生成|多智能体协作与推理|文档为中心的端到端工作流|
|**上下文维护**|有限|通过记忆模块实现|跨多步工作流维护状态|
|**动态适应性**|最小|高|针对文档工作流定制|
|**工作流****编排**|无|多智能体任务编排|多步文档处理集成|
|**外部工具/****API**|基础集成|扩展工具集成|深度集成业务规则|
|**可扩展性**|有限|多智能体系统可扩展|多域企业工作流可扩展|
|**复杂推理**|基础|多步智能体推理|跨文档结构化推理|
|**主要应用**|QA系统、知识检索|多域知识与推理|合同审查、发票处理|
上述表格比较凸显了从传统RAG到智能体RAG，再到智能体文档工作流（ADW）的演进轨迹。传统RAG为基础任务提供了简单性和易部署性，而智能体RAG通过多智能体协作引入了增强的推理能力和可扩展性。ADW在这些进步的基础上，提供了稳健的、以文档为中心的工作流，促进了端到端自动化以及与特定领域流程的集成。理解每种框架的优势与局限，对于选择最合适的架构以满足特定应用需求和运营要求至关重要。

**Agentic RAG架构的对比分析**

| | | | | |
|:-:|:-:|:-:|:-:|:-:|
|**维度**|**单****智能体**|**多****智能体**|**分层/纠正**|**基于图/文档**|
|智能体数量|单个|多个|多层|多个|
|控制结构|集中式|扁平|分层/评估器|自适应/结构化|
|知识表示|非结构化|非结构化或混合|非结构化或混合|图或文档中心|
|推理深度|低-中|中-高|高|高（多跳）|
|延迟|低|中|高|中-高|
|工程复杂度|低|中|高|高|
|最佳场景|简单QA|多域综合|高可靠性任务|知识密集型关系域|
不同的架构会导致本质上不同的行为。单智能体系统偏向简洁；多智能体系统支持并行，但需要协调编排；分层架构以更高的复杂性为代价引入监督机制。架构决策隐含着对控制、信任和容错的假设，纠错工作流能提升准确性，却会增加延迟；而自适应架构则以牺牲正确性保证来换取响应能力。
# Agentic RAG 应用


| | | |
|:-:|:-:|:-:|
|领域|典型用例|关键收益|
|**客户支持**|Twitch 广告销售增强（Amazon Bedrock）|实时适应、运营效率、响应质量|
|**医疗健康**|患者病例摘要生成|个性化护理、时间效率、准确性|
|**法律分析**|合同审查|风险识别、效率、可扩展性|
|**金融风控**|汽车保险索赔处理|实时分析、风险缓解、增强决策|
|**教育**|研究论文生成辅助|定制学习路径、互动参与、可扩展|
|**多模态工作流**|市场调查生成（文本+图像+视频）|多模态能力、增强创造力、动态适应|
# 经验教训与实践指导

论文提炼了七条关键实践经验：
- **Agentic RAG 并非万能**：简单事实检索用传统 RAG 即可，Agentic RAG 适合复杂任务
- **架构选择决定系统行为**：单智能体简单低延迟，多智能体并行但需编排，分层增强可靠性但增加延迟
- **检索质量仍是首要瓶颈**：智能体推理无法补偿糟糕的检索，必须先投资高质量检索管道
- **智能体自主性需要明确约束**：无限制自主性可能导致过度工具调用、冗余推理循环，需设定规划范围、工具访问策略和停止标准
- **评估必须关注过程而非仅结果**：需要过程级指标（推理效率、工具使用模式、上下文适应能力）
- **领域知识显著放大 Agentic RAG 收益**：医疗、金融、法律等结构化知识领域收益最大，开放域任务收益有限
- **负责任部署**：多智能体协作使错误归因复杂化，自主工具使用带来安全风险，需要治理机制、人工监督和可审计性


# 开放研究问题与未来挑战

- **智能体协调、控制与涌现行为**：多智能体系统的涌现行为难以预测，需要形式化建模和收敛保证
- **超越输出质量的评估方法**：需要评估推理轨迹、规划深度、适应性、成本效率的过程感知评估
- **记忆管理与长期适应**：平衡持久性与适应性，选择性保留，避免知识漂移和幻觉放大
- **计算成本、效率与可持续性**：多智能体协作和迭代检索增加延迟和资源消耗，需要成本感知规划
- **安全、信任与治理**：自主智能体可能产生未授权行为和偏见决策，需要透明决策追踪和人在回路监督
- **跨域泛化能力**：现有系统多在特定领域评估，跨域自适应检索和推理策略仍是开放问题

原文: https://mp.weixin.qq.com/s/0iZbROEfeHA470l4zM1mAg

智能体化检索增强生成：关于智能体化 RAG 的综述

这是一篇关于 Agentic RAG（代理式检索增强生成） 的综述文章。系统性地梳理了传统 RAG 的局限性，并详细阐述了如何通过引入自主 AI 代理来构建更智能、更灵活的 Agentic RAG 系统。

人工智能

算法

架构设计

Agentic RAG综述：通过反思、规划、工具调用与多智能体协作，突破传统RAG静态流程局限。系统梳理单/多智能体、分层、纠正、自适应及图增强等7类架构，对比演进路线、应用场景与关键实践经验，为构建高准确率、低延迟的智能检索系统提供全面技术参考。

多智能体系统

智能体工作流

结构化数据

风险识别

文档处理

数据库API

Self-Refine

Reflexion

LangGraph

数据库

智能体

AutoGen

路由

Agent

2026上云采购 | AI焕新·智启新局

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

智能体化检索增强生成：关于智能体化 RAG 的综述-腾讯云开发者社区-腾讯云

智能体化检索增强生成：关于智能体化 RAG 的综述

智能体化检索增强生成：关于智能体化 RAG 的综述

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐