Agentic RAG 是什么？

安逸Ai2026/6/17大约 3 分钟Agent面试Agentic RAG检索增强

Agentic RAG 是什么？和普通 RAG 有什么区别？

这道题考的是你对 RAG 系统进化方向的理解。Agentic RAG 本质上就是给普通 RAG 加了个"大脑"，让它从被动响应变成主动决策。

一句话定义 Agentic RAG

先说清楚本质：Agentic RAG = RAG + Agent 思维

普通 RAG 像个图书馆管理员——你问什么，它找什么，找到就走。Agentic RAG 像个全能项目经理——接到任务会先思考"该找谁帮忙"、"资源够不够"、"结果对不对"。

一个被动，一个主动，这就是最核心的区别。

对比图，左侧普通RAG标注"被动检索"，右侧Agentic RAG标注"主动决策"

阅读全文

核心区别：线性流程 vs 循环流程

普通 RAG 是"检索→增强→生成"三步走，不可逆。Agentic RAG 是"思考→行动→观察→再思考"循环，能自我纠错和重试。

想象你要找一本书：

普通 RAG 只会去书架，拿了书就走
Agentic RAG 会先想"这本书在哪个书架"、去拿了发现没有、换另一个书架试试、最后拿到才离开

关键差异就是：普通 RAG 单程票，Agentic RAG 支持回头票。

流程图，普通RAG单向箭头"检索→增强→生成"，Agentic RAG环形循环"思考-行动-观察-再思考"

架构差异：从单兵作战到团队协作

普通 RAG 就一个检索组件，配个向量数据库，加个大模型，三件套打完收工。

Agentic RAG 架构复杂多了：

规划者（Orchestrator）：分解任务、协调各方
多个专业 Agent：分工执行、各管一摊
Memory 模块：记住中间步骤
Planning 模块：规划执行路径
支持并行执行：多个 Agent 同时干活
跨数据源检索：MCP 服务器连 N 个数据库

类比一下：普通 RAG 是"一个人干完所有活"，Agentic RAG 是"项目经理拆解任务 + 多个专家分工执行 + 各自汇报结果"。

架构图展示Orchestrator、多Agent、Memory、Planning模块及MCP服务器连接多个数据源

选哪个——看任务复杂度

简单任务用普通 RAG：

查个定义
总结文档
回答固定问题

复杂任务用 Agentic RAG：

需要多步推理
跨多个数据源
对结果准确度要求高

选普通 RAG 就像打车去隔壁小区，快。选 Agentic RAG 就像出门办事前先规划路线，灵活但慢。

表格对比图，左列普通RAG适用场景，右列Agentic RAG适用场景，标注各自优缺点

面试怎么答

基础版（能拿到分）：

"Agentic RAG 是具备 Agent 思维能力的 RAG 系统。普通 RAG 是线性流程——检索、增强、生成，三步走完就结束。Agentic RAG 是循环流程——思考、行动、观察、再思考，遇到问题能回头重试。架构上，普通 RAG 单兵作战，Agentic RAG 是规划者加多个 Agent 协作。简单问答用普通 RAG，复杂推理用 Agentic RAG。"

加分版（能拿高分）：

"从架构看，Agentic RAG 有 Orchestrator 做规划者，配合多个专业 Agent、Memory 和 Planning 模块，支持并行执行和跨数据源检索。从推理框架看，底层常用 ReAct——让 Agent 先推理再行动、观察结果再调整。现在生态上有 DSPy 做编程范式、LangChain 和 LlamaIndex 做 RAG 编排、CrewAI 和 Swarm 做 Multi-Agent 协作。趋势是 Multi-Agent RAG，一个 Agent 管检索、一个管推理、一个管验证，分工越来越细。"

一句话总结

Agentic RAG 就是让 RAG"活"起来——从被动查资料，变成主动想方案。