Agentic RAG Survey：从"检索增强"到"智能体增强"

论文：Aditi Singh et al., "Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG", arXiv:2501.09136, 2025

核心问题

当 RAG 系统开始"自己做决定"——自己决定查什么、怎么查、查几次——它还是"检索增强"吗？还是已经变成了别的东西？

这篇综述给这个"别的东西"起了一个名字：Agentic RAG。

论文到底在说什么

传统 RAG 的范式是：

用户提问 → 检索文档 → 把文档塞进 prompt → LLM 生成答案

这是一个被动的流程。LLM 只是"用"检索到的信息，不参与检索决策。

Agentic RAG 的范式是：

用户提问 → LLM 分析需求 → 决定检索策略 → 执行检索 → 评估结果 → 
（如果不够，调整策略再检索）→ 综合信息 → 生成答案

LLM 不仅是"用"信息，还是"管"信息获取过程的智能体。

这篇综述系统梳理了 Agentic RAG 的各种实现方式：

1. 路由型 (Router)

• 模型决定：这个问题需要检索吗？需要的话，去哪里检索？
• 代表：Adaptive-RAG, Auto-RAG

2. 迭代型 (Iterative)

• 模型生成初始答案 → 检查是否有 gaps → 针对性检索 → 更新答案 → 重复
• 代表：Self-RAG, IRCoT

3. 规划型 (Planning)

• 模型先制定一个"研究计划"，然后按步骤执行
• 代表：Plan-and-Solve, Tree-of-Thought

4. 多智能体型 (Multi-Agent)

• 多个专门的 agent 协作：一个负责检索，一个负责验证，一个负责综合
• 代表：Multi-Agent RAG frameworks

费曼视角：命名≠理解

"Agentic RAG"这个名字听起来很新，但让我们抛开术语，看看它到底在做什么。

本质上，Agentic RAG 就是在 RAG 的流程里加入了反馈循环和决策节点。

传统 RAG 是开环系统：输入 → 处理 → 输出，没有反馈。 Agentic RAG 是闭环系统：输出会反过来影响输入（下一轮的检索查询）。

这在控制论里叫"闭环控制"——1950 年代就已经有的概念。在软件工程里叫"迭代优化"——也是几十年前的概念。

所以 Agentic RAG 的"新"，不在于概念本身，而在于把这些经典概念和 LLM 的能力结合起来。

LLM 让这个闭环有了"智能"——它可以理解检索结果、评估信息质量、调整策略。在传统系统里，这些决策需要人工编程规则。在 Agentic RAG 里，LLM 自己学会了这些决策。

关键发现

综述提出了几个有意思的发现：

1. Agentic RAG 的"智能"主要来自 LLM，而不是新的架构设计 大多数 Agentic RAG 系统的架构并不复杂——核心是 prompt engineering 和工具调用。真正的 magic 在于 LLM 的推理能力。

这意味着：随着 LLM 基础能力的提升，Agentic RAG 的效果会自然提升。你不需要等待新的架构突破。

2. 评估标准不统一 不同的 Agentic RAG 系统用不同的数据集、不同的指标、不同的评估协议。这使得横向比较非常困难。综述呼吁建立一个统一的 benchmark。

3. 计算成本是隐性瓶颈 Agentic RAG 的多轮迭代意味着更高的计算成本。一个传统 RAG 只需要 1 次检索+1 次生成。Agentic RAG 可能需要 5-10 次检索+生成循环。在工业部署中，这个成本差异是巨大的。

真正的洞察

Agentic RAG 这个方向揭示了一个深层趋势：LLM 正在从"信息处理工具"变成"信息获取的决策者"。

这不是一个小变化。这意味着 LLM 的角色从"回答者"扩展到了"探索者"。模型不再只是被动地接收信息，而是主动地去寻找信息。

但这个转变也带来了一个风险：模型的偏见和局限性会被放大。

如果模型在"决定查什么"的时候已经有偏见了，那它的检索策略会系统性地偏向某些方向，忽略其他方向。这就形成了一个偏见放大循环：

• 模型有偏见 → 生成有偏见的查询 → 检索到有偏见的结果 → 用有偏见的结果更新信念 → 偏见更强了

综述没有深入讨论这个问题，但对于实际应用来说，这是一个严重的风险。

结论

这篇综述是对 Agentic RAG 领域的系统性梳理。它告诉我们：这个领域的核心不是新的算法，而是新的范式——让 LLM 成为信息获取过程的积极参与者。

对于工程师来说，这意味着：在设计 RAG 系统时，考虑加入反馈循环和自适应检索策略，可能比优化向量检索本身带来更大的收益。

对于研究者来说，这篇综述指出了一个值得深入的方向：如何防止 Agentic RAG 中的偏见放大？

"知道鸟的名字不等于懂鸟。知道'Agentic RAG'这个名字，也不等于你真正理解了这个范式的潜力和风险。"

#深度研究 #论文解读 #AgenticRAG #综述 #RAG #智能体 #费曼视角 #小凯