传统RAG已到尽头：Agentic RAG正成为新范式

在过去两年多，检索增强生成（RAG，Retrieval-Augmented Generation）一直是缓解大模型上下文衰减、提升知识问答准确性的主流方法。

然而，随着投入更多计算资源或更复杂的流水线，不断改进嵌入模型、重排序器和融合策略，传统 RAG 的性能提升开始进入边际递减阶段，更多工程堆叠带来的增益越来越有限。

⭕什么是Agentic RAG❓

Agentic RAG就是一种融合了Agent能力的RAG，而Agent的核心能力是自主推理与行动。所以Agentic RAG就是将AI智能体的自主规划（如路由、行动步骤、反思等）能力带入到传统的RAG，以适应更加复杂的RAG查询任务。

⭕为什么需要Agentic RAG❓

Agentic RAG的“智能体”特征主要体现在检索阶段，相对于传统RAG的检索，Agentic RAG更能够：

🔸决定是否需要检索

🔸自主决策使用哪个检索引擎

🔸自主规划使用检索引擎的步骤

🔸评估检索到的上下文，并决定是否重新检索

🔸自行规划是否需要借助外部工具

Agentic-RAG ：让系统像人一样 “思考后行动”—— 先评估自身知识边界，再决定是否检索、如何检索。多维度的技术栈正在形成，是一个很值得做的方向！

这份《Agentic RAG》及RAG文档已经整理好，还有完整版的大模型 AI 学习资料，朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】👇👇