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》这篇在博客园热度很高，讲的正是大家天天碰到的事。下面帮你把要点捋出来，结尾有能直接抄的结论。

原帖: （链接略） 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 RAG评测完整指南：指标、测试和最佳实践 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 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 RAG系列：#5 RAG中的11种分块策略 企业级落地方案：Docker 部署 CodeGraph 多项目统一 MCP 网关，附源码 一文搞定Gerrit/Gitee/GitHub MCP Server，实现开发全流程自动化 面向AIGC的检索增强生成综述 标题: Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG 链接： （链接略） github: （链接略） 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。

原帖: （链接略） 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 RAG评测完整指南：指标、测试和最佳实践 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 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 RAG系列：#5 RAG中的11种分块策略 企业级落地方案：Docker 部署 CodeGraph 多项目统一 MCP 网关，附源码 一文搞定Gerrit/Gitee/GitHub MCP Server，实现开发全流程自动化 面向AIGC的检索增强生成综述 标题: Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG 链接： （链接略） github: （链接略） 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。 1. 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。

原帖: （链接略） 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 RAG评测完整指南：指标、测试和最佳实践 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 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 RAG系列：#5 RAG中的11种分块策略 企业级落地方案：Docker 部署 CodeGraph 多项目统一 MCP 网关，附源码 一文搞定Gerrit/Gitee/GitHub MCP Server，实现开发全流程自动化 面向AIGC的检索增强生成综述 标题: Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG 链接： （链接略） github: （链接略） 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。 1. 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。

原帖: （链接略） 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 RAG评测完整指南：指标、测试和最佳实践 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 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 RAG系列：#5 RAG中的11种分块策略 企业级落地方案：Docker 部署 CodeGraph 多项目统一 MCP 网关，附源码 一文搞定Gerrit/Gitee/GitHub MCP Server，实现开发全流程自动化 面向AIGC的检索增强生成综述 标题: Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG 链接： （链接略） github: （链接略） 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。 1. 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。 2. 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 3. 智能体的核心原理 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 4. 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 5. 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 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 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 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 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 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 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 6. 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。

原帖: （链接略） 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 RAG评测完整指南：指标、测试和最佳实践 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 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 RAG系列：#5 RAG中的11种分块策略 企业级落地方案：Docker 部署 CodeGraph 多项目统一 MCP 网关，附源码 一文搞定Gerrit/Gitee/GitHub MCP Server，实现开发全流程自动化 面向AIGC的检索增强生成综述 标题: Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG 链接： （链接略） github: （链接略） 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。 1. 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。 2. 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 3. 智能体的核心原理 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 4. 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 5. 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 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 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 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 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 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 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 6. 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。

读完别停：把最触动你的一条记下来，这周就用上。能落地的阅读才算数，欢迎回来聊聊你的实践结果。 来源｜博客园《智能体化检索增强生成：关于智能体化 RAG 的综述》，https://www.cnblogs.com/aifrontiers/p/22969123.html