超越静态检索。Agentic RAG 让自主 Agent 掌控检索流程——动态规划查询、反思检索结果、编排多源知识。

SDK FocusMCP toolsoutputFormatmulti-step tool callsverification loop

RAG 学习路径

本课聚焦于 Agent 如何控制检索：路由、反思和多源编排。检索引擎本身的优化（分块、混合搜索、重排序、评估）请参见 P13: 工业级 RAG。实时 agentic 探索的替代方案是预建图索引；它何时胜出、何时输，参见 P17: GraphRAG。

RAG 的演进

RAG 经历了三个明显的发展阶段：

text

阶段 1：静态 RAG（朴素）
  Query → Retrieve → Generate → Done
  单次检索，单次生成。无反馈循环。

阶段 2：迭代 RAG（进阶）
  Query → Retrieve → Check → Re-retrieve → Generate
  多步检索，预定义流水线。

阶段 3：Agentic RAG（自主）
  Query → Agent 决定策略 → Retrieve/Search/Ask
       → 反思质量 → 调整 → Generate
  Agent 动态控制整个工作流。

为什么需要 Agentic RAG？

传统 RAG 在处理复杂查询时会失效，因为它将检索视为一次性的黑盒操作。Agentic RAG 通过添加四项关键能力来解决这个问题：

能力	作用	示例
反思	自我评估检索质量	"这些结果没有回答问题——我需要重新组织查询"
规划	分解复杂查询	将"比较 X 和 Y"拆分为针对每个对象的子查询
工具使用	编排多个检索源	向量数据库 + 网络搜索 + SQL 查询 + API 调用
多 Agent	专业化 Agent 协同工作	检索 Agent + 事实核查 Agent + 综合 Agent

架构模式

单 Agent Agentic RAG

一个 Agent 通过动态路由控制完整的检索-生成周期：

Agentic RAG

RAG 学习路径

RAG 的演进

为什么需要 Agentic RAG？

架构模式

单 Agent Agentic RAG

多 Agent Agentic RAG