生活分享
代理式检索增强生成(Agentic RAG):何时需要再查一次
代理式检索增强生成让模型参与检索决策,根据问题与已找到的证据选择数据来源、改写查询或继续补查。本文采用 LangGraph 文档中的具体流程,以比较场地借用条件示范它和固定式 RAG 的差别,并说明停止条件、权限、查询记录及成本控制。读完能判断任务需要动态探索,还是用可预测的固定流程就足够。
阅读时间约 7 分钟

代理式检索增强生成,英文 Agentic RAG,通常指由模型在流程中决定何时搜索、去哪里搜索,以及取得资料后是否还需补查的 RAG 系统。它扩展的是检索决策,不代表资料自动变正确,也不一定需要多个代理。一次能回答的问题仍可只查一次;只有发现缺口时,才有理由增加步骤。
这个名称没有单一公认的算法规范。本篇采用 LangGraph 官方教程中的具体含义:模型可以选择调用检索工具,流程检查段落相关性,必要时改写问题,再生成回答。自我反思式检索增强生成(Self-RAG)论文也在研究按需检索与自我检查,但它训练的是特定的反思词元(reflection tokens)机制,不能把所有 Agentic RAG 都说成 Self-RAG。
主动决定下一个查询
固定式 RAG 常把用户问题送进既定检索器,再把找到的内容交给生成器。代理式流程则允许模型根据中间结果改变后续行动。例如原问题包含两个活动场地,第一次找到场地介绍后,模型发现缺少设备规则,便再向规章索引查询。这里的价值在于根据证据缺口补充资料,而不是让模型反复重述自己已知的内容。
工程上要把可以自由决定的地方说清楚。模型可以选择查询文本与获准使用的数据来源,但读取权限、最长运行时间、哪些错误应中止,仍由应用程序控制。把模型决定直接当成完整流程规范,会让一个简单问答变成难以预估的探索任务。代理的灵活性与程序的限制是同时需要的设计条件。
从证据缺口回到检索
一个易于理解的循环包括:列出待回答的子问题、选择工具获取资料、检查新资料能支持哪些主张,最后决定回答、补查或停止。相关性检查回答的是“这段有没有谈到问题”,充分性检查则是“已经足够作结论吗”。一份场地介绍可能高度相关,却没有容纳人数,两种检查不能混在一起。
停止条件最好与任务一起设定。若所有必要字段已有来源,可以生成比较;若资料互相矛盾,应披露冲突;若查询持续只得到同一份文档,可以停止并列出缺失项。成功并不意味着一直查到模型说“我很有把握”,而是读者事先要求的信息已有依据。工具失败也要保留失败状态,不能把连接错误误写成未查到资料。
阅读完整文字说明
检索取得证据后检查是否充分,充分则回答,不足则改写查询回到检索,无法补足时停止
示范:比较社群活动场地
假设输入是“比较河畔教室和山城会馆,哪些适合需要投影与无障碍入口的读书会?”这是虚构教学情境。第一次检索可取得两个场地的设备表,其中河畔教室有投影设备,山城会馆只有空间照片。代理应识别山城缺少设备证据,再查借用手册;入口条件则到场地布局或官方说明中查,不能从照片猜测。
预期输出是一份逐项比较:是否提供投影、入口是否符合题目需求、各栏的来源,以及仍需向管理单位确认的事项。若手册只写“可提供辅助”,不足以证明特定入口可用,应标为未确认。这时多一次查询可以帮助找到资料,但更多模型推理不能填补文档未记录的事实。
若把题目改成“找出山城会馆的联系电话”,固定检索可能就够。代理先规划、再检查、再搜索,反而增加等待与出错机会。同一系统可以按任务复杂度选择路径:明确的单项查询走短流程,跨来源比较才开启动态补查。这是设计上的取舍,没有任何来源保证代理式方案对所有问题都更好。
需要防止的不只是幻觉
代理式检索常见的失败是查询漂移:原本查入口条件,改写几次后变成搜索一般无障碍旅游。另一种失败是反复查询同义句,取得相同内容却把它们当成多份独立证据。要保留原始问题、已回答字段与文档标识符,让重复资料可以被识别,并要求每次补查说明要解决哪一个具体缺口。
模型自行判断资料充分也可能过度乐观。对重要字段,可由程序检查是否附有有效来源,或者由人工抽查引用是否支持主张。程序只能验证已设计的条件,不会自动理解所有语义,因此仍要把资料缺失、矛盾与来源日期纳入评估。每次通过工具读取资料都应遵守同一用户权限,不能因为下一步由代理决定就扩大访问范围。
如何评估是否值得增加循环
比较方案时,要使用相同文档版本与相同问题,分别记录固定 RAG 和代理式流程的答案完整性、引用支持度、工具调用次数与等待时间。若改善只出现在跨文档题目,就可保留针对性的路由,不必全面替换。评估也要包含无答案题,观察代理是否能停止,避免只在可以成功的示范题上得出乐观结论。
读者看产品介绍时,可以要求展示一次完整查询记录:最初找到什么、为什么再查、后来补上什么,以及何时停止。能显示这些资料,才有机会判断系统的额外步骤是否有用。代理式 RAG 的核心是让检索随证据调整;调度、重试、监控与多人协作则是支撑它运行的工程工作,不应全部混称为代理的推理能力。
若系统提供查询进度,界面上的“正在查证”也要对应实际动作。已安排搜索不等于工具已成功返回,工具返回也不等于证据已读完。保留这些状态差异,能让用户理解等待的原因,也方便工程团队识别卡在工具连接、文档解析或模型判断的哪个阶段。
| 方法 | 处理重点 | 需要留意 |
|---|---|---|
| 固定式 RAG | 按既定路径检索 | 容易预估流程 |
| Agentic RAG | 根据中间证据选择下一步 | 需要停止条件与预算限制 |
| Self-RAG | 训练按需检索及反思机制 | 是特定研究方法 |
检索增强生成(RAG)是什么:让回答附上可查的依据检索增强生成(RAG)是什么:让回答附上可查的依据检索增强生成会先从外部资料中找出相关内容,再交给语言模型组织回答。本文以活动报名规章的问答为例,拆解建立索引、检索、生成与来源核对,说明它和搜索、微调的区别,也解释为什么有引用仍可能答错。读完能判断问题出在资料未更新、文档没找齐,还是模型对证据过度解读,并知道什么情况应保留“不知道”的答案。阅读全文
代理循环(Agent Loop)是什么:判断、操作与反馈
代理协调(Agent Orchestration)是什么:安排分工与交付顺序
AI 术语总索引:从 Loop Engineering 到生成式 AI
觉得这篇整理实用吗?分享给需要的朋友
同主题延伸阅读
生活分享
图谱检索增强生成(GraphRAG):从关系看懂整批文档
GraphRAG 把实体及其关系纳入检索,帮助回答跨文档的关联与整体主题。本文以 Microsoft 原始论文及官方文档为范围,拆解实体抽取、社区摘要、局部搜索和全局搜索,以地方活动记录示范不同问题需要不同路径。也说明图谱漏连、名称误合并与摘要失真如何影响答案,避免把一张漂亮的关系图误认为已验证的事实。
生活分享
知识图谱(Knowledge Graph):把事物与关系说清楚
知识图谱用实体及关系组织数据,让“谁参与什么、在哪里、何时发生”能沿链接查询。本文以社群活动数据演示实体识别、关系方向、来源与时间,介绍资源描述框架(RDF)和属性图的表示差异,也说明图谱不等于可视化或可信事实。读完能判断数据适不适合建图,并理解它如何与数据表、向量搜索及图谱检索增强生成(GraphRAG)搭配。
生活分享
混合搜索(Hybrid Search):兼顾精确字词与语义
混合搜索将全文搜索与向量等不同检索结果合并,兼顾精确代码和自然语言需求。本文用设备说明书查询拆解候选获取、去重、排名融合和重新排序,介绍倒数排名融合(RRF)如何用名次融合不同搜索结果,也提醒混合不保证全面更准。读完能用代码题、改写题和无答案题检查质量,并辨认权限、筛选与重复内容造成的偏差。
生活分享
检索增强生成(RAG)是什么:让回答附上可查的依据
检索增强生成会先从外部资料中找出相关内容,再交给语言模型组织回答。本文以活动报名规章的问答为例,拆解建立索引、检索、生成与来源核对,说明它和搜索、微调的区别,也解释为什么有引用仍可能答错。读完能判断问题出在资料未更新、文档没找齐,还是模型对证据过度解读,并知道什么情况应保留“不知道”的答案。
资料来源
- LangGraph:构建自定义 RAG 代理查证日期:
- Asai 等:Self-RAG查证日期:
本文依据上方所列参考来源与标示之核实日期整理;票价、时刻、功能规格或服务条款可能变动,出发、预订或购买前请至相关官方网站确认最新信息。