Agentic RAG 是什么？它和传统 RAG 最大的区别在哪里？
这道题考的是：你对 RAG 演进脉络的理解，以及能否在实际场景中做出正确的架构选择。 核心就两点：Agentic RAG 让系统学会"思考下一步"，而传统 RAG 只能走固定流程。
传统 RAG 是什么——一次检索的「图书馆找书」
先说传统 RAG，不然没法对比。
传统 RAG = Embedding + 向量数据库 + LLM。流程是固定的：用户提问 → 把问题转成向量 → 在向量数据库里找相似内容 → 把结果丢给 LLM 生成答案。
就这么简单，三步走完。
用一个类比来理解：就像你去图书馆，告诉管理员要找「机器学习」相关的书。管理员只会按书名匹配，把包含这几个字的书给你。但它不会帮你分析这些书之间的关联，不会问你「你是想做项目还是理论研究」，更不会帮你找到「这本书和那本书讲的内容其实是递进关系」。
这就是传统 RAG 的本质：一次检索，单程票，不带思考。
传统 RAG 的三大硬伤
问题来了：这种固定流程在简单场景下能用，但遇到复杂问题就抓瞎。
硬伤一：多跳问题搞不定
你问「马斯克和苹果公司有什么关系」，传统 RAG 会怎么做？它可能找到「马斯克是谁」和「苹果公司是什么」，但它不会主动去查「马斯克和苹果有没有合作/竞争/法律纠纷」，更不会把这些关系串起来。
这就是多跳问题——答案不是直接躺在数据库里，需要先查 A，再根据 A 的结果查 B，然后综合 A 和 B 得到答案。
硬伤二：工具调用为零
传统 RAG 只能查向量数据库。但真实场景中，你可能需要查数据库、查 API、查知识图谱、甚至调用计算器。传统 RAG 没有这个能力，它眼里只有向量库这一亩三分地。
硬伤三：无法自我纠错
检索结果不好怎么办？传统 RAG 表示爱莫能助，它没有「重新检索」「换个关键词试试」「扩大搜索范围」这些选项。
一句话概括：传统 RAG 是个听话但没主见的员工，你让它做什么它就做，但不会主动想「下一步该做什么」。
Agentic RAG 的核心能力——让系统学会「思考下一步」
现在说主角。Agentic RAG = RAG + AI Agent。
核心变化是：多了个 Agent 来协调整个流程。这个 Agent 做什么？
动态决定下一步该查什么。
具体来说，Agentic RAG 有这几个关键能力：
能力一：多轮检索
Agent 不是一次性把答案生成出来，而是一步步来。比如问「马斯克和苹果的关系」，Agent 可能会这么想：
- 第一轮：查马斯克的商业版图
- 第二轮：查苹果和马斯克有没有合作项目
- 第三轮：发现两家公司有竞争关系（特斯拉 vs 苹果汽车），再深入查细节
- 综合所有信息生成答案
每一轮查什么，是根据上一轮的结果动态决定的。
能力二：调用多种工具
Agent 可以同时操控多个工具：向量检索、SQL 查询、API 调用、知识图谱查询、甚至网页搜索。它不是只盯着向量库，而是「什么工具合适就用什么」。
能力三：自我反思和纠错
Agent 会评估当前结果好不好。如果发现信息不够，它会主动说「我再查一下XXX」。这种自我反思能力是传统 RAG 完全不具备的。
还是那个类比：传统 RAG 是图书馆管理员，Agentic RAG 更像是研究员。研究员拿到问题后会分析、会规划、会一步步深入、会随时调整策略。
到底该选哪个——不是越复杂越好
这是面试官很爱问的延伸问题：什么时候用传统 RAG，什么时候用 Agentic RAG？
记住一个原则：简单问题用简单方案。
选传统 RAG 的场景：
- FAQ 问答、简单的事实查询
- 问题能直接命中答案，不需要推理
- 对延迟敏感，需要快速响应
- 简单搜索场景，比如「帮我找和XX相似的案例」
选 Agentic RAG 的场景：
- 需要多跳推理的复杂问题
- 跨系统、跨数据库的综合分析
- 答案依赖多个信息源的关系链
- 需要动态判断下一步查什么的不确定场景
一个实际的选型参考：
| 问题类型 | 推荐方案 | 原因 |
|---|---|---|
| 「这个产品的参数是什么」 | 传统 RAG | 一步命中，不需要推理 |
| 「分析A公司对B行业的影响」 | Agentic RAG | 需要多跳、多源综合 |
| 「找和XX相似的法律案例」 | 传统 RAG 或 Graph RAG | 结构化相似性检索 |
| 「为什么这个指标上涨了」 | Agentic RAG | 需要多维度归因分析 |
混合架构也是常见的做法。 比如先用传统 RAG 做快速召回，再用 Agent 来做深度推理和综合。没有最好的架构，只有最适合问题的架构。
面试怎么答
基础版（能过的回答）
Agentic RAG 是将 AI Agent 整合到 RAG 流程中。传统 RAG 是固定流程：用户提问 → 向量检索 → LLM 生成，一次完成。Agentic RAG 则是让系统学会动态决策——它会根据当前结果判断下一步该查什么、该用什么工具，支持多轮检索和自我反思。
核心区别在于：传统 RAG 是「一次检索」，Agentic RAG 是「多轮迭代」。具体选择要看问题复杂度，简单问题用传统 RAG 足够，复杂推理场景才需要 Agentic RAG。
加分版（让面试官眼前一亮）
我觉得理解 Agentic RAG，得先理解传统 RAG 的局限。
传统 RAG 的问题是「不动脑子」——它只会机械地做向量匹配，遇到多跳问题就傻眼。比如问「马斯克和苹果有什么关系」，它只能分别找到两者的信息，但不会主动去查关联、串关系。
Agentic RAG 的本质是给系统装上了一个「调度员」。这个调度员会分析问题、规划检索步骤、调用多种工具（不只是向量库）、评估结果好不好、不行就重来。它解决的是「复杂推理场景下，一次检索不够用」的问题。
但我要强调的是：不是越复杂越好。FAQ 问答这种简单场景，传统 RAG 完全够用，没必要为了追新概念上 Agentic。选型原则应该是「架构匹配问题」，而不是「追新技术」。
一句话总结
Agentic RAG 和传统 RAG 的核心区别：传统 RAG 是一次检索的固定流程，Agentic RAG 是多轮迭代的动态决策系统——前者让你找到书，后者让系统帮你把书读透并串联关系。
