一图看懂传统 RAG 与 Agentic RAG 的实战差异

推荐语

Agentic RAG如何通过智能体概念突破传统RAG的线性局限？本文用一张图清晰对比两种范式的核心差异。

核心内容：
1. 传统RAG的线性流程与效率优势
2. Agentic RAG引入的智能体决策机制
3. 两种范式在复杂查询处理中的实战表现对比

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

然而，RAG 技术本身也在不断演进。从最初的传统 RAG 结构，到如今备受关注的 Agentic RAG（智能体式 RAG），RAG 系统正变得越来越智能、灵活和强大。本文将深入对比这两种 RAG 范式，揭示 Agentic RAG 如何通过引入“智能体”的概念，将 RAG 系统推向一个全新的高度。

 线性、简洁与效率的“检索-生成”流程

一、传统 RAG 结构：简洁与效率

让我们首先回顾一下传统的 RAG 结构。如图所示，传统 RAG 的核心在于其线性、高效的“检索-生成”流程。

传统 RAG 的工作流程：

1. 知识库编码与索引（步骤 1 & 2）：

   额外文档（Additional documents）首先通过嵌入模型（Embedding model）进行编码（Encode），将其内容转化为高维向量。这些向量随后被索引（Index）并存储到向量数据库（Vector database）中。这个过程通常是离线完成的，为后续的检索做好准备。

2. 查询编码（步骤 3）：

   当用户输入一个查询（Query）时，这个查询也会通过相同的嵌入模型进行编码（Encode），生成其对应的查询向量。

3. 相似性搜索（步骤 4 & 5）：

   查询向量被用来在向量数据库中进行相似性搜索（Similarity search），以找到与查询语义最接近的相似文档（Similar documents）。

4. 提示构建与生成（步骤 6 & 7）：

   检索到的相似文档作为上下文（Context），与原始查询一起，被整合为一个提示（Prompt）。

   这个提示被发送给大型语言模型（LLM）。

   LLM 基于提供的上下文和查询生成最终的响应（Response）。

传统 RAG 的特点：

• 优点： 结构简单、流程清晰、易于实现，在处理直接、单跳的问答任务时效率高。

• 局限性： 线性流程使其在处理复杂、模糊或需要多步推理的查询时显得力不从心。它缺乏自我评估和主动规划的能力，容易受到检索结果质量的直接影响，可能导致“幻觉”或不准确的回答。

 智能体驱动的未来：循环、决策和工具使用的特性

相较于传统 RAG 的线性流程，Agentic RAG 引入了“智能体”（Agent）的概念，赋予 LLM 更高的自主性和决策能力。如图所示，Agentic RAG 的核心在于其循环、决策和工具使用的特性。

Agentic RAG 的工作流程：

1. 智能体主导的查询处理（步骤 1-3）：

   查询重写与思考： 初始查询不再直接进入检索，而是首先由 LLM 智能体（LLM Agent）进行重写，将其转化为更精确的查询。随后，智能体进行自我评估，判断是否需要更多信息。这是智能体主动思考的体现。

2. 主动规划与工具选择（步骤 4-6）：

   如果智能体判断需要更多信息，它会进一步思考“哪一个源头能帮我？”，并主动选择并调用不同的工具（Tools & APIs）。这些工具不再局限于向量数据库，还可以包括互联网搜索、结构化数据库或其他自定义 API。这种工具使用能力是 Agentic RAG 的重要特征。

3. 检索与生成（步骤 7-9）：

   检索与上下文构建（步骤 7）： 系统会利用智能体选择的工具进行检索，并得到相关的检索到的上下文（Retrieved context）。这个上下文会与更新后的查询一起，为生成答案做准备。

   生成初步响应（步骤 8 & 9）： 系统将检索到的上下文和更新后的查询打包成一个提示（Prompt），发送给一个大型语言模型（LLM）。LLM 基于这个提示生成一个初步响应（Response）。

4. 循环迭代与自我评估（步骤 10-12）：

   自我评估： 拿到初步响应后，LLM 智能体不会直接返回答案，而是会进行自我评估：“这个答案相关吗？”。

   反馈循环： 如果智能体判断答案不相关，它可以循环回到初始查询或之前的步骤，重新规划、重新检索，直到找到满意的答案。这种反馈循环和自我修正能力是 Agentic RAG 解决复杂问题的关键。

Agentic RAG 的特点：

• 优点：

• 更强的推理能力： 能够处理多跳查询和复杂逻辑推理。

• 更高的准确性： 通过自我评估和迭代，减少“幻觉”和不准确的回答。

• 更强的适应性： 能够根据任务需求，灵活选择和使用不同的外部工具。

• 更好的可解释性： 智能体的“思考”过程（如查询重写、工具选择）可以被记录和追踪。

• 局限性：

• 更高的复杂性： 引入了更多的决策和循环，系统设计和调试难度增加。

• 潜在的延迟： 多次迭代和工具调用可能导致更高的响应延迟。

下表总结了传统 RAG 和 Agentic RAG 之间的主要区别：

总结

传统 RAG 为我们打开了 LLM 与外部知识结合的大门，它在许多场景下依然高效且实用。然而，随着 AI 应用的日益复杂，Agentic RAG 代表了 RAG 技术发展的必然趋势。它将 LLM 从一个简单的“生成器”提升为能够自主思考、规划和执行的“智能体”，从而构建出更强大、更可靠、更接近人类智能的知识型 AI 系统。理解并掌握 Agentic RAG 的核心思想，将是构建未来高阶 AI 应用的关键。

往期精彩文章推荐：

RAG 三剑客：动图 + 表格秒懂传统 RAG、HyDE 与 Graph RAG 的核心差异和应用场景

吴恩达：成功的 AI Agent，从简单的线性流程开始

MCP | AI Agent在业务端落地的关键技术" data-itemshowtype="0" linktype="text" data-linktype="2">一文彻底读懂MCP | AI Agent在业务端落地的关键技术

动图详解MCP(模型上下文协议)，让LLM具备调用工具的能力

Agent 协议概览：构建多智能体协作的基础

Meta首席杨立昆 | 仅靠训练更大的LLM并不能通往AGI,未来通用人工智能走向何方？

DeepSeek可以节省算力需求？通俗易懂介绍下MOE混合专家模型" data-itemshowtype="0" linktype="text" data-linktype="2">为何DeepSeek可以节省算力需求？通俗易懂介绍下MOE混合专家模型

人工智能（AI）对软件开发全生命周期(SDLC)各岗位的冲击影响分析

Manus AI Agent架构设计与未来演进" data-itemshowtype="0" linktype="text" data-linktype="2">从思考到行动：深度解析类Manus AI Agent架构设计与未来演进