Agentic RAG 如何处理复杂问题？查询规划、多步检索和答案校验怎么设计？
这道面试题考的是 Agentic RAG 的核心设计理念和工程实现，说白了就是想看看你知不知道怎么让 RAG 系统"活"起来——不再是被动的"你问什么我查什么"，而是能主动规划、自主决策、还会自我校验的智能系统。
一、Agentic RAG 是什么？
先说个类比。传统 RAG 就像 "查字典"——你输入一个词，它返回固定解释，查完就完事。Agentic RAG 则像 "智能助手"——它理解你的真实意图，主动决定要不要查、查什么、查完了怎么整合、答案对不对。
核心区别在哪？
传统 RAG 是静态管道：检索 → 生成，一锤子买卖。Agentic RAG 是动态代理驱动：AI 代理自主决定检索时机、使用什么工具、如何完善查询理解。
这张图展示的是典型的 Agentic RAG 架构，里面有四类角色：
- Supervisor Agent（监督器）：负责整体调度，决定下一步走什么分支
- Sub-Agent（子代理）：负责分解任务、整合结果
- Reasoning Agent（推理代理）：负责迭代推理，一步步推导
- Actor Agent（执行代理）：负责具体操作，比如调用搜索工具
它们不是一条链串下来，而是 多代理协作、动态决策。这就是 Agentic RAG 的本质。
二、查询规划——把复杂问题拆解消化
复杂问题为什么难处理？因为它可能涉及多个知识点、需要多步推理、答案不是简单的事实陈述。
Agentic RAG 的解决办法是"查询规划"，就像做数学题先审题分析，把综合题拆成若干简单步骤再逐一攻克。
查询规划包含三个关键步骤：
第一步：工具感知规划器分解任务
不是直接去检索，而是先分析："用户这个问题需要几步？每步用什么工具？"比如问"2023年诺贝尔物理学奖得主的主要贡献"，规划器会先决定：是先查诺贝尔奖官网，还是先查新闻？
第二步：查询重写优化检索策略
用户输入往往口语化、不精确。查询重写智能体负责把"大白话"转化成适合检索的"搜索词"。比如用户问"那个治疗新冠的药叫什么来着"，重写后变成 "Paxlovid COVID-19 treatment efficacy"。
第三步：元数据感知分块
知识库切分方式直接影响检索效果。元数据感知分块会根据文档的结构（标题、段落、表格）智能切分，让每块内容的语义更完整。
这张图展示了完整链路：用户输入 → 规划器分析 → 拆分子任务 → 分别执行 → 整合结果。
三、多步检索漏斗——层层过滤的精确检索
规划好了，怎么检索？
Agentic RAG 用的是 多阶段检索漏斗，本质上是"海选-初赛-决赛"的选拔过程，每一层过滤掉不相关结果，留下最匹配的答案。
第一层：混合搜索广泛召回
同时用关键词搜索（BM25）和语义搜索（向量检索），最大化召回率。这时候可能返回几百条结果，很多是噪音。
第二层：交叉编码器重排精选
用交叉编码器对召回结果进行精细化打分，把真正相关的排到前面。这一步牺牲一点速度，但大幅提升准确率。
第三层：上下文蒸馏整合
把重排后的 top 结果进行摘要、提取关键信息，形成适合生成的上下文。
监督器动态选择策略
Supervisor Agent 会根据上下文动态决定：要不要再查一轮？要不要换个检索策略？要不要引入网络搜索补充？这就是"上下文感知"的体现。
四、答案校验与控制流——让 AI 学会"自我反思"
这是 Agentic RAG 最体现"代理"特性的地方。
策略智能体决定何时终止
不是查完就返回答案。Policy Agent 会判断：当前答案够不够好？信息是否完整？要不要继续检索？它学习的是"继续检索"和"终止返回"的最优决策边界。
中间状态记录支持回溯
整个研究过程被记录下来，包括每一步的检索结果、推理路径、修改决策。这有几个好处：
- 可以回溯验证答案的推导过程
- 可以展示给用户"我是怎么得出这个结论的"
- 出了问题容易定位
动态决策分支
通过定义图节点和条件边，实现复杂的决策逻辑。比如：检索结果<3条 → 触发网络搜索；置信度<0.7 → 触发二次检索；超过最大步数 → 强制终止并返回当前最优答案。
五、面试怎么答
基础版（能过的回答）
Agentic RAG 的核心是让 RAG 系统具备代理能力，不再是静态管道，而是动态决策流程。
查询规划方面，通过工具感知规划器分解复杂任务，查询重写智能体优化检索策略，元数据感知分块提升知识库质量。
多步检索采用漏斗式架构：混合搜索广泛召回 → 交叉编码器重排精选 → 上下文蒸馏整合。Supervisor Agent 根据上下文动态选择最优检索路径。
答案校验通过 Policy Agent 控制检索终止时机，记录中间状态支持回溯验证，实现"自我反思"能力。
加分版（让面试官眼前一亮）
可以补充几点体现深度理解的内容：
Deep Thinking RAG Pipeline 架构中，监督器的"上下文感知动态选择"是关键创新，不是固定流程，而是智能决策。
Policy Agent 的成本问题：依赖 GPT-4o 等大模型做决策，成本较高、延迟较大，生产环境需要权衡。
适用场景差异：简单事实查询用传统 RAG 就够，复杂多跳问题（比如"比较A和B的优缺点并给出建议"）才需要 Agentic RAG。
多代理分工：Supervisor 负责全局调度、Sub-Agent 负责分解整合、Reasoning Agent 负责迭代推理、Actor Agent 负责具体执行，职责清晰才能协作顺畅。
一句话总结
Agentic RAG 的核心是 让检索系统具备代理能力，通过查询规划、多步检索漏斗和答案校验实现动态决策，不再是被动的"查-答"管道，而是主动规划、自主决策、还会自我反思的智能系统。
