智能体化检索增强生成：关于智能体化 RAG 的综述

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

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：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。

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。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。

7. 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

8. 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

9. 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