自主检索 RAG（深挖）

前三种检索方式（稀疏检索（深挖）、稠密检索（深挖）、混合检索（深挖））都是固定流程——搜一次，返回结果，给 AI。Agentic RAG（自主检索增强生成）打破了固定流程：AI 自己决定搜几次、怎么搜、搜完要不要再搜。

和传统 RAG 的根本区别

graph TD
    Query[用户问题] --> Agent[Agent 分析]
    Agent --> Decide{需要检索?}
    Decide -->|是| Search[执行检索]
    Decide -->|否| Answer[直接回答]
    Search --> Evaluate[评估检索结果]
    Evaluate -->|不够| Reformulate[改写查询]
    Reformulate --> Search
    Evaluate -->|够了| Generate[基于结果生成答案]
    Generate --> Answer

传统 RAG：用户问 -> 检索 -> 给 AI -> AI 回答。一条直线，一次搜索，一轮回答。

Agentic RAG：用户问 -> AI 判断 -> 检索 -> AI 看结果 -> 不够好？换个方式再搜 -> 够了 -> 回答。循环路线，多次搜索，多轮判断。

这不是”检索变快了”——是”检索有了脑子” ¹。

它怎么做决定的

Agentic RAG 里的 AI 在检索环节可以做这些决策：

1. 改写查询。 用户问：“这玩意儿怎么修？” Agent 理解上下文后，把查询改写为”iPhone 15 Pro 屏幕更换步骤”，再搜。原始查询太模糊，直接搜不出来。

2. 拆解问题。 用户问：“对比 iPhone 15 和三星 S24 的拍照和续航” Agent 拆成两个子问题：

• “iPhone 15 拍照效果 + 续航时间”
• “三星 S24 拍照效果 + 续航时间” 分别检索，分别获取信息，最后合并回答。

3. 判断要不要再搜。 第一轮搜出来的结果不够好（信息不全、来源不可靠、互相矛盾）-> Agent 决定换个关键词再搜一轮。

4. 验证检索结果。 搜出来的信息是 2023 年的 -> Agent 判断”可能过时了” -> 加上”2025”的关键词再搜一轮。

和 ReAct 的关系

Agentic RAG 是 ReAct 模式（Think -> Act -> Observe）在检索场景的应用：

• Think：判断当前检索结果够不够
• Act：调用检索工具，换个方式搜
• Observe：看新结果，判断要不要继续

详见 第14章 · Agent 是怎么工作的 ²。

实现方式

Agentic RAG 可以用 LangChain（一个 AI 工具库）或 LlamaIndex（另一个 AI 工具库）来实现。基本思路是给 AI 配备检索工具，让它在思考-行动循环中自己决定什么时候搜、搜什么。

（以下代码供有编程基础的读者参考。零基础读者可以跳过，不影响理解。）

什么时候用

代价

Agentic RAG 不是免费的：

• 延迟更高。传统 RAG 一次检索 200ms，Agentic 可能 2-3 轮检索，延迟翻倍
• 成本更高。每次检索 + 每次 AI 判断都要花钱
• 可能陷入循环。Agent 判断”不够好”，再搜，“还是不够好”，再搜…需要设置最大检索轮次

相关笔记

• 第13章 · RAG 进化树 — Agentic RAG 是第四代
• 混合检索（深挖） — 传统 RAG 的最优方案
• 图谱检索 RAG（深挖） — 另一种处理复杂查询的方式

来源

• LangChain, “Agentic RAG Guide”, 2025
• Yao et al., “ReAct: Synergizing Reasoning and Acting”, 2022
• LlamaIndex, FunctionCallingAgent