Agentic RAG：规划、工具与反思

本文基于模型知识整理（生成时未联网核对），关键结论建议对照经典文献复核。

一句话定义

Agentic RAG 把"一次检索一次生成"升级为智能体的决策循环：LLM 自己决定查不查、查哪路（向量/图/摘要）、怎么改写、结果够不够、要不要再查——以 Self-RAG、Self-Reflective RAG 为代表的"检索即工具"范式，用多步推理换复杂问题的成功率。

为什么重要

前面的架构（路由、混合检索）是预定义流程，而真实复杂问题需要动态决策："A 公司与其主要竞品的技术路线差异"要拆解、多路检索、中间归纳、再检索。把决策权交给 LLM（Agentic 模式），是对 kp-011 查询变换与 kp-026 路由的自然极限推广——从"系统猜用户要什么"到"模型自己边查边想"。它代表了从"固定管线"到"动态智能体"的架构前沿，也是复杂长尾问题成功率瓶颈的当前解法。

前置知识

kp-011（查询变换）、kp-026（多路架构）。

核心概念

• 检索即工具（retrieval as tool）：向量检索、图查询、社区摘要、外部 API 都是注册给智能体的工具，由模型按需调用。
• Self-RAG（2023）：训练模型输出特殊反思 token——"需要检索吗？""这段证据相关吗？""答案有据吗？"——生成过程内嵌自评。
• CRAG（Corrective RAG）：先评检索质量，低质触发修正动作（改写重查/切外部搜索）。
• 反思循环（reflection loop）：生成 → 自评（够不够答）→ 不够则规划新查询 → 再检索 → 循环，带最大步数与预算上限。
• 规划（planning）：复杂问题先拆步骤（子问题图），按依赖执行——多跳问题的 Agent 化解法。

原理与机制

决策循环的成本与收益：每轮反思/规划都是额外 LLM 调用——Agentic RAG 的延迟与成本是普通 RAG 的数倍。收益在"需要多步/需要纠错"的复杂问题上成功率显著提升。工程要点：步数与预算硬上限（防死循环与账单爆炸）、每步产物可观测（kp-016 的分段评测延伸到每步决策）、置信度出口（多轮仍不足时明确说不知道）。

与固定管线的选型判据：问题是否需要动态多步？预定义路由（kp-026）能覆盖的不要上 Agent——Agent 引入的失败模式（规划错误、循环、工具误用）本身就是新故障源。经验法则：高频固定类问题走固化管线（快、稳、便宜），长尾复杂问题走 Agent 兜底。

评测的适配：Agentic 系统评测除终答质量外还要看过程指标——工具选择正确率、步数分布、循环率、每步检索命中；过程差而答案对的样本藏着脆弱性。

图示

问题 ─► 规划: 拆子问题 [竞品列表, 技术路线×N]
  ├─ 子问题1 → 图查询 → 结果✓
  ├─ 子问题2 → 向量检索 → 自评: 相关性低 ✗ → 改写重查 ✓
  └─ 汇总生成 → 自评: 缺竞品C资料 → 新查询 → 补齐 → 最终答案
上限: 最多5步/预算$X; 仍不足→"资料不足, 已列已知部分"

实例或案例

• 竞品分析助手：Agent 拆"竞品→各自技术→差异对比"三步，混合调用图路（公司关系）与向量路（技术文档），多轮补查把一次成答的 40% 正确率提到 70%+。
• Self-RAG 类实现：反思 token 让小模型获得"按需检索"能力，在开放域问答上超过固定 RAG 基线。

常见误区

• 误区一："Agent 一定比固定管线强"。简单问题上 Agent 徒增延迟、成本与失败面；动态决策只在复杂长尾问题上有正收益。
• 误区二："反思轮数越多越准"。误差会累积与自我强化（错误中间结论引导后续查询）；上限与外部校验（工具结果校验）缺一不可。
• 误区三："只评最终答案"。过程不可观测的 Agent 无法排障与优化；每步决策日志与过程指标是上线前提。

与其他知识点的关系

• kp-011/026：查询变换与路由的 Agent 化推广。
• kp-014：多轮产物进入上下文的管理更复杂。
• kp-016：过程级评测指标。
• kp-032：Agent 的工具面扩大攻击面，安全更重要。

自测题

1. Agentic RAG 与固定管线的选型判据？

答：问题是否需要动态多步与纠错——固定路由可覆盖的用管线（快稳便宜），复杂长尾用 Agent 兜底；两者常按流量分层共存。

1. Agent 循环必须带哪些护栏？

答：步数与成本硬上限、每步工具结果校验、置信度不足时的诚实出口，以及全程过程日志用于排障评测。

1. 为什么过程指标重要？

答：答案碰对了但过程错误（工具选错、检索全空）的系统在分布漂移时会成批失败；过程指标揭示脆弱性。

延伸阅读

• Asai 等, "Self-RAG: Learning to Retrieve, Generate, and Critique"（ICLR 2024）。
• Yan 等, "Corrective Retrieval Augmented Generation"（2024，CRAG）。
• Anthropic "Building effective agents"（2024，工程视角的 Agent 设计原则）。