Agentic RAG 综述：让大模型学会"主动思考"的知识增强技术

当知识检索遇见 AI Agent：一次范式升级

试想这样一个场景：你是一家三甲医院的信息科工程师，医院部署了基于传统 RAG（Retrieval-Augmented Generation）的诊疗辅助系统。医生输入"老年男性患者，糖尿病史5年，近期出现间歇性跛行"，系统返回了十几篇相关文献——但文献之间相互矛盾，有说需要立即做血管造影，有说先控制血糖观察三月。传统 RAG 的问题在于：它只负责检索，不负责判断。医生仍然需要自己读完所有文献、做综合判断。

Agentic RAG 正是为解决这个痛点而生。它将 AI Agent（智能体）嵌入 RAG 管道，让大模型不仅能检索知识，还能主动反思答案质量、规划下一步检索策略、调用外部工具验证假设、多智能体协作处理复杂问题。

本文要分析的项目 asinghcsu/AgenticRAG-Survey 是该领域目前最全面的综述仓库，配套发表在 arXiv 的学术论文（arXiv:2501.09136），系统梳理了 Agentic RAG 的理论基础、架构分类、实际应用与未来挑战。截至目前已收获 1661 颗 Stars，在 AI Agent 与 RAG 交叉领域具有较高的参考价值。

图1：Agentic RAG 中的规划模式（Planning）—— Agent 会主动分解复杂查询，制定多步检索策略

项目背景：谁在推动这场变革

AgenticRAG-Survey 由研究人员 asinghcsu 主导维护，配套论文于 2025 年 1 月正式发布在 arXiv。该项目并非单纯的代码仓库，而是一个图文并茂的知识百科，包含超过 20 张高质量流程图、架构图和模式示意图，涵盖从基础概念到工业落地的完整知识图谱。

从 GitHub 数据来看，该仓库呈现典型的学术型项目特征：无主要编程语言标注（纯 Markdown 文档）、无活跃 Issue（0 个 open issues）、主要依靠 README 驱动的被动协作模式。尽管如此，它在短短一年多时间内获得了超过 1600 颗 Stars，说明 Agentic RAG 这个方向确实击中了广大 AI 研究者和工程师的痛点——大家都在找一份系统性的参考资料，而这个仓库恰好填补了这个空白。

核心技术：Agentic Patterns 四要素

Agentic RAG 的"智能"来源于四个核心模式，这是理解整个系统的关键。

Reflection（反思）：Agent 会主动评估自己生成的答案质量，发现错误时主动修正。比如在医疗诊断场景中，Agent 发现初检结论与最新临床指南不符，会触发二次检索重新验证。这解决了传统 RAG"一检定终身"的最大缺陷——没有自我纠错能力。

Planning（规划）：面对复杂查询，Agent 不是立即检索，而是先制定计划。例如金融风险分析场景中，Agent 会先规划"先查宏观指标、再查行业数据、最后交叉验证"的检索路径，而不是把所有关键词一股脑塞给向量数据库。

Tool Use（工具调用）：Agent 可以调用外部工具——搜索引擎、API、计算器、数据库——扩展自己的能力边界。传统 RAG 只能查文档，Agentic RAG 还可以实时查股价、调用 Python 脚本做计算、访问第三方数据库。

Multi-Agent Collaboration（多智能体协作）：多个专业 Agent 分工合作。例如客服场景中，一个 Agent 负责理解用户意图，一个负责知识检索，一个负责答案组装，一个负责质量审核。分工让每个 Agent 专注于单一职责，整体效果远优于单 Agent 穷尽式处理。

图2：单 Agentic RAG 架构——在传统 RAG 管道上叠加 Agent 决策层

系统分类：从单一到图结构，六大类架构一览

Agentic RAG 并非一种固定技术，而是一族架构模式的集合。仓库将现有系统分为六大类：

Single-Agentic RAG（单智能体 RAG）：最基础的形态，在传统 RAG 上叠加一个 Agent 负责协调检索与生成。适用于问答、文档总结等简单场景。

Multi-Agentic RAG（多智能体 RAG）：多个 Agent 分工协作，每个 Agent 可专注于不同知识领域或不同任务阶段。适用于复杂的多领域综合分析。

Hierarchical Agentic RAG（层级式 RAG）：Agent 形成树状层级结构，顶层 Agent 做全局规划，中层 Agent 负责子任务调度，底层 Agent 执行具体检索。适用于大规模知识库查询。

Corrective Agentic RAG（纠错式 RAG）：在检索-生成流程中加入评估节点，发现低质量检索结果时自动触发重检。医疗、法律等高风险场景的核心模式。

Adaptive Agentic RAG（自适应 RAG）：Agent 根据查询类型动态选择最优检索策略——简单事实查询走快速通道，复杂推理查询走多轮迭代通道。

Graph-based Agentic RAG（图结构 RAG）：用知识图谱组织文档和检索路径，支持关系推理和多跳查询。例如查询"某公司的竞争对手的供应商"，传统 RAG 需要两次独立检索，图结构 RAG 可以在图中直接推理出关联路径。

图3：多智能体 Agentic RAG 架构——多个专业 Agent 分工协作，提升系统整体处理能力

Agentic 工作流：Anthropic 背书的五大家族

除了 RAG 增强之外，Agentic 工作流是 LLM 应用架构的另一大支柱。仓库专门引用了 Anthropic 的研究成果，将 Agentic 工作流分为五类：

Prompt Chaining（提示链）：将复杂任务拆解为顺序执行的子步骤，每一步输出作为下一步输入。典型应用：先生成文章大纲 → 审核大纲完整性 → 撰写全文。优势是逻辑清晰、便于调试，代价是延迟增加。

Routing（路由）：根据输入类型自动分配到不同的处理通道。例如简单问题走小模型快通道（节省成本），复杂推理走大模型深度通道（保证质量）。这是生产环境中平衡性能与成本的核心技巧。

Parallelization（并行化）：多个独立任务同时执行，通过投票或合并输出提升置信度。典型场景：代码审查时多个模型同时检测漏洞，取并集作为最终结果。

Orchestrator-Workers（编排器-工作者）：中央协调 Agent 动态分解任务、分派给专业 Worker、收集并整合结果。与 Multi-Agent RAG 的区别在于：编排器是动态的（根据输入决定分派哪些子任务），而非预先固定。

Evaluator-Optimizer（评估-优化）：生成-评估-优化循环，直到输出质量达标。典型场景：多轮翻译优化、论文写作迭代、代码生成评审。

行业应用：从医疗到法律，真实场景落地

Agentic RAG 的价值最终体现在实际行业应用中。仓库列举了大量代表性案例：

医疗领域：MedRAG 系统通过多 Agent 协作，综合检索临床指南、医学文献、患者病史，生成个性化诊疗建议。Agent 还会主动标记不确定性并建议医生进一步检查。

法律领域：LawGlance 系统使用 Crew AI + LangChain + Chroma 构建的法律研究助手，能够根据用户提供的案情描述，自主规划检索策略，从大量判例和法律条文中提取相关内容，生成法律分析报告。

金融领域：投资研究 Agent 自动规划数据检索任务，综合分析宏观经济指标、行业动态、公司财报，给出风险评估和投资建议。

教育领域：自适应学习系统根据学生提问动态调整检索策略，从教材、论文、题库中检索相关内容，生成个性化学习路径。

局限与挑战：光环之外的冷思考

作为一个学术综述项目，它的价值主要在于知识整理和方向指引，但在工程落地层面仍存在不少现实挑战：

多 Agent 协调开销：Agent 数量增加带来的通信延迟和状态管理复杂度呈指数级增长。在实时性要求高的场景（如客服对话）中，多 Agent 协作可能导致响应时间从毫秒级退化到秒级。

检索质量评估难题：Agent 的"反思"能力依赖于能够准确判断当前答案的质量。但在专业领域（如医学、法律），让 AI 准确评估自身答案的正确性，本身就是一个尚未解决的难题。

知识库时效性：Agentic RAG 回答的质量上限由底层知识库决定。当知识库内容陈旧时，再智能的 Agent 也只能"优雅地胡说八道"。动态知识更新机制仍是业界难题。

评估标准缺失：传统 RAG 有成熟的评估基准（BHU-GIF、RAGAS 等），但 Agentic RAG 的评估标准尚在探索中。多个 Agent 的协作效果如何量化评估，目前没有统一答案。

行业意义：为什么这个方向值得关注

从 RAG 到 Agentic RAG 的演进，本质上是 AI 应用从"工具"向"助手"升级的缩影。传统 RAG 是被动的——用户问什么，它检索什么；Agentic RAG 是主动的——它会主动判断是否需要更多信息、该用什么策略检索、如何验证结论。

这个仓库的价值在于：它是目前 Agentic RAG 领域资料最全、结构最清晰的入口。无论是想了解该领域全景的研究者，还是在考虑技术选型的工程师，都可以把它当作第一手的参考手册。配合配套论文，可以快速建立从理论到实践的完整认知框架。

对于正在构建 RAG 系统的开发者，建议从这个仓库中学习两点：一是反思机制的设计——给 AI 加一个"审核自己答案"的步骤，往往比单纯增加模型规模更有效；二是多 Agent 分工的思路——不是让一个超级 Agent 处理所有事，而是让专业 Agent 做专业事。

图4：Graph-based Agentic RAG——利用知识图谱实现关系推理和多跳查询

---

本分析基于 AgenticRAG-Survey 仓库的 README 及配套资源，GitHub Stars: 1661，数据采集时间 2026-06-13。