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

LINE 分享
问题、检索与证据检查形成可重试的循环,证据足够时由另一路径输出答案
图片:Mokaair (© Mokaair)
目录
  1. 1. 主动决定下一个查询
  2. 2. 从证据缺口回到检索
  3. 3. 示范:比较社群活动场地
  4. 4. 需要防止的不只是幻觉
  5. 5. 如何评估是否值得增加循环

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。

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
回到检索的箭头需要理由;停止不一定意味着回答完整。 · 图片:Mokaair (© Mokaair)
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。

概念对照;来源查证于 2026 年 9 月。
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

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

LINE 分享
  • 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

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。

生活分享