04.1 - Agentic RAG

定位: RAG 与 Agent 的结合——让 LLM 自主决策何时检索、检索什么、是否需要多步检索 面试高频度: ⭐⭐⭐⭐ 考查方式: Agent 架构、工具调用、多步推理流程

一、这是什么？为什么需要它？

是什么

Agentic RAG 是将 AI Agent（智能体）的规划/推理/工具调用能力与 RAG 相结合，让系统可以自主决策何时检索、用什么工具检索、是否需要多次检索，而不是固定的"检索一次 -> 生成"流程。

传统 RAG：固定流程
  查询 -> 检索 -> 生成（每次都走完整流程）

Agentic RAG：自主决策
  查询 -> Agent 分析 -> 决定：
    ├-- 需要检索 -> 选择检索工具 -> 评估结果 -> 可能再次检索 -> 生成
    ├-- 直接回答 -> 不需要检索（问候/计算等）
    └-- 需要其他工具 -> 调用代码/计算器等

为什么需要 Agentic RAG？

传统 RAG 的局限性：
  1. 每次都检索：问候也要检索，浪费
  2. 只检索一次：复杂问题需要多步推理
  3. 无法判断检索质量：检索到垃圾也照用
  4. 没有工具思维：只能检索无法计算

Agentic RAG 解决：
  1. 按需检索：需要时才检索
  2. 多步推理：一次不够可以再查
  3. 自我评估：判断检索结果是否够用
  4. 工具扩展：检索 + 计算 + 代码执行

二、原理拆解

2.1 Agent 的核心能力

Agent = LLM + 规划 + 工具 + 记忆

传统 LLM：        输入 -> 生成输出
Agent：           输入 -> 思考 -> 决策(用工具/直接回答) -> 观察结果 -> 再次思考 -> 最终输出

关键能力：

1. 推理/规划：分析问题，拆解为子任务
2. 工具使用：调用检索器、计算器、API
3. 记忆管理：记住之前的检索结果
4. 自我评估：判断当前信息是否足够

2.2 Agentic RAG 的三种模式

模式 1：简单 Tool-use Agent

查询："公司年假政策是什么？"

Agent 决策流程：
  Step 1: 分析查询 -> "这是知识性问题，需要检索"
  Step 2: 调用检索工具 -> 检索器.invoke("年假政策")
  Step 3: 接收结果 -> 文档块
  Step 4: 判断信息是否足够 -> "是的，信息完整"
  Step 5: 基于检索结果生成回答

模式 2：多步推理 Agent

查询："年假最多的员工能休多少天？"

Agent 决策流程：
  Step 1: 分析 -> "需要先了解年假制度，再算最大值"
  Step 2: 检索 -> "公司年假制度"
  Step 3: 分析结果 -> "找到工龄对应关系，但需要员工工龄数据"
  Step 4: 再次检索 -> "员工工龄统计数据"
  Step 5: 合并信息 -> "5年以上工龄占比..."
  Step 6: 生成回答

模式 3：自省 Agent

查询："公司年假政策是什么？"

Agent 流程：
  Step 1: 检索 -> 得到结果 A
  Step 2: 自评 -> "结果 A 只说了天数，没提申请流程，可能不完整"
  Step 3: 再次检索 -> "年假申请流程"
  Step 4: 合并 A 和 B -> 完整回答

2.3 Agentic RAG 架构

+------------------------------------------------------------------+
|                    Agentic RAG 系统架构                            |
|                                                                   |
|        +------------------+                                       |
|        |   用户查询        |                                       |
|        +--------+---------+                                       |
|                 |                                                 |
|                 v                                                 |
|        +------------------+                                       |
|        |  Agent (LLM)     |  <-- 核心：推理 + 规划                   |
|        |  思考：该怎么做？ |                                       |
|        +--------+---------+                                       |
|                 |                                                 |
|       +--------+--------+--------+--------+                      |
|       |        |        |        |        |                       |
|       v        v        v        v        v                       |
|   +------+ +------+ +------+ +------+ +------+                   |
|   |知识库 | |关键词 | |网页  | |计算器 | |其他  |  <-- 工具集       |
|   |检索   | |检索   | |搜索  | |      | |工具  |                   |
|   +------+ +------+ +------+ +------+ +------+                   |
|       |        |        |        |        |                       |
|       +--------+--------+--------+--------+                      |
|                 |                                                 |
|                 v                                                 |
|        +------------------+                                       |
|        |  Agent 评估结果   |  <-- 判断是否足够                      |
|        +--------+---------+                                       |
|            |          |                                           |
|       不够 |          | 够了                                       |
|       再查 |          v                                           |
|            |     +------------------+                             |
|            +-->  | 生成最终回答     |                             |
|                  +------------------+                             |
+------------------------------------------------------------------+

三、图解全景

Agentic RAG vs 传统 RAG 决策流程对比

传统 RAG：
  用户输入 -> [总是检索] -> [总是生成] -> 输出
  无判断、无分支、单次

Agentic RAG：
  用户输入 -> [分析]
                    |
            +-------+--------+
            |                |
        需要检索         无需检索
            |                |
        选择工具         直接回答
            |
        执行检索
            |
        评估结果
            |
      +-----+-----+
      |           |
   不够好       够好了
      |           |
    再检索      生成回答
      |           |
      +--> 合并 --+

四、实战验证

4.1 LangGraph Agentic RAG 实现

# 安装：pip install langgraph langchain

from langgraph.graph import StateGraph, MessageGraph
from typing import TypedDict, List
from langchain_core.messages import HumanMessage, AIMessage
from langchain.tools import tool

class AgentState(TypedDict):
    messages: List
    documents: List

# 定义检索工具
@tool
def retrieve_knowledge(query: str) -> str:
    """从知识库检索相关信息"""
    docs = vectorstore.similarity_search(query, k=3)
    return "\n\n".join([doc.page_content for doc in docs])

tools = [retrieve_knowledge]

# 构建 Agent 图
from langgraph.prebuilt import ToolNode
from langgraph.graph import END

def should_continue(state):
    """决定是否继续检索或生成"""
    last_message = state["messages"][-1]
    if last_message.content == "NEED_MORE_INFO":
        return "continue_retrieval"
    return "generate"

# 构建 LangGraph
workflow = StateGraph(AgentState)
workflow.add_node("agent", agent_node)
workflow.add_node("retrieve", ToolNode(tools))
workflow.add_node("generate", generate_node)

workflow.set_entry_point("agent")
workflow.add_conditional_edges(
    "agent",
    should_continue,
    {"continue_retrieval": "retrieve", "generate": "generate"}
)
workflow.add_edge("retrieve", "agent")
workflow.add_edge("generate", END)

app = workflow.compile()

五、面试视角

问题	答案要点
Agentic RAG 相比传统 RAG 的核心改进？	Agent 自主决策"是否需要检索"、"用什么工具"、"检索结果是否够用"。传统 RAG 是固定流程，Agentic RAG 是自适应流程
Agentic RAG 的主要挑战？	1) 决策可能出错（Agent 误判是否需要检索）；2) 多步推理增加延迟；3) Agent 可能陷入循环（不断检索不生成）；4) 成本增加（多次 LLM 调用）
什么场景适合 Agentic RAG？	复杂问题（需要多步推理）、混合类型查询（需要判断是否检索）、需要结合多种工具的场景。简单 FAQ 不适合（过度设计）
如何避免 Agent 陷入循环？	1) 设置最大检索步数限制；2) 设置超时时间；3) 设计明确的终止条件（"信息足够"的判断）；4) 利用 LangGraph 等框架的状态管理

📚 相关链接

• **SelfRAG与CorrectiveRAG** — 自我反思的 RAG 变体
• **RAG系统架构总览** — Modular RAG 作为 Agentic 的基础
• **LangChain实践指南** — LangChain Agent 框架
• <- 返回 **进阶RAG索引**