AI学什么（第9期）：什么是Agentic RAG？
AI学什么（第9期）：什么是Agentic RAG？
AI学什么（第9期）：什么是Agentic RAG？ AI学什么（第9期）：什么是Agentic RAG？ Modified July 28, 2025 第一步：任务解析与规划 收到用户问题后，系统首先会分析这是一个什么性质的问题，需要什么类型的信息，应该如何拆分成可管理的子问题。这就像玛丽亚帮助学生进行头脑风暴，规划研究路径。 第二步：迭代检索与探索 系统不会仅进行一次检索就停止，而是会根据初步结果调整策略，逐步深入。当发现信息不足或矛盾时，会自动生成新的查询，就像玛丽亚不断调整研究方向，从不同角度获取资料。 第三步：信息验证与整合 系统会交叉验证不同来源的信息，识别并处理矛盾点，将碎片化信息整合成一个连贯的整体。这正如玛丽亚会对比不同历史学家的观点，找出最可靠的结论。 第四步：自主决策与反馈 系统能够根据检索结果做出决策：是继续深入某个方向，还是已经获得足够信息可以回答问题。在这个过程中，系统会不断评估自己的进展，及时调整策略。 与传统RAG相比，Agentic RAG具有以下关键优势： 1. 能将复杂问题拆分为多个可管理的子问题，制定结构化的查询计划。 2. 能根据初步结果动态调整检索策略，不断优化查询方式。 3. 能够评估信息的可靠性和相关性，处理矛盾信息，避免盲目接受第一手资料。 4. 能将多个来源的碎片信息整合成连贯一致的答案，而非简单拼接。 5. 能够意识到自身知识的不确定性和局限，在必要时明确表达不确定性。 这些特性使Agentic RAG能够处理更复杂、更开放性的问题，提供更深入、更全面的回答。就像玛丽亚不仅帮助学生找到资料，更帮助他们思考如何使用这些资料，Agentic RAG正在从单纯的"信息提供者"进化为真正的"思考伙伴"。 技术解剖：Agentic RAG的实现原理 Agentic RAG听起来似乎具有某种神奇力量，但其核心实现原理其实相当优雅且富有洞见。 查询规划器 Agentic RAG的第一个关键组件是查询规划器（Query Planner）。它就像一位经验丰富的研究主管，负责分析原始问题，制定检索策略。 具体来说，查询规划器通过以下步骤工作： 1. 问题分类 ：判断问题的类型——是事实性查询、分析性问题还是需要多角度探讨的开放性问题。 2. 问题分解 ：将复杂问题拆解为一系列相互关联的子问题，形成一个"问题树"。 3. 依赖分析 ：确定子问题之间的逻辑关系和优先顺序——哪些问题需要先回答，哪些可以并行处理。 4. 查询生成 ：为每个子问题设计最有效的查询关键词或问题表述。 这个过程的实现通常依赖于大语言模型自身的推理能力，通过特殊提示词（prompt）引导模型扮演"研究规划"的角色。系统会告诉模型："你需要制定一个深入调查这个问题的计划，考虑各个必要角度，并设计有效查询。" 迭代检索器 有了计划后，迭代检索器（Iterative Retriever）负责执行这些查询，并根据结果进行动态调整。它不满足于一次性检索，而是不断深入、扩展和精炼搜索范围。 迭代检索器的工作流程包括： 1. 初步检索 ：执行规划器设计的初始查询，获取第一批相关文档。 2. 结果评估 ：分析检索结果的相关性、完整性和可靠性，识别信息缺口。 3. 查询调整 ：根据评估结果，优化查询关键词、拓展或缩小搜索范围。 4. 深度探索 ：对特别相关的线索进行进一步深入查询，就像顺着一条有价值的研究线索不断深入。 这种迭代过程不是随机的，而是遵循启发式策略——例如，当发现矛盾信息时，系统会自动触发更多查询来寻找更多证据支持或反驳特定观点。 信息综合器 收集到足够信息后，信息综合器（Information Synthesizer）接管工作，将分散的信息片段转化为连贯一致的回答。 它的工作包括： 1. 证据权重评估 ：判断不同信息源的可靠性和相关性，赋予不同权重。 2. 矛盾识别与处理 ：识别不同来源之间的矛盾，尝试调和或明确指出争议之处。 3. 逻辑结构构建 ：按照合理的逻辑顺序组织信息，构建清晰的论证结构。 4. 知识整合与推理 ：不只是简单拼接信息，还需要进行合理推理，填补信息之间的逻辑缺口。 这个组件同样依赖于大语言模型的能力，但关键在于提示词设计——系统要求模型不要急于给出答案，而是先对收集到的所有信息进行批判性分析和整合。 自主决策器 整个系统的运行离不开自主决策器（Autonomous Decision Maker），它像一位经验丰富的研究者的"元认知"能力，不断监控和指导整个研究过程。 它负责判断： • 当前信息是否足够回答问题？ • 是继续深入某个方向，还是转向新的搜索领域？ • 是否需要重新规划整个查询策略？ • 最终答案的确定性有多高？是否需要表达不确定性？ 这种自主决策能力是通过一种称为"思维框架"（如ReAct框架）实现的，让AI在"思考"和"行动"之间不断切换，形成一个反馈循环。 这些组件共同工作，形成了一个自主学习、自我调节的智能系统。与其说Agentic RAG是一项独立技术，不如说它是一种架构思想——通过组合和编排现有技术，让系统展现出更接近人类研究者的智能行为。 进化之路 Agentic RAG带来了检索技术的巨大进步，但它并非完美无缺，也面临着一些棘手的挑战。认识到这些局限，能帮助人们更理性地看待和运用这项技术，而不是一味乐观。 当下的一些痛点值得注意。计算量是个大问题——比起传统的RAG，这种方法的多轮搜索和层层推理需要更多资源和时间。有些场合需要快速反馈，这时候它的“细思慢想”反而成了拖累。还有，错误容易像滚雪球一样积累：早期一个小偏差，可能在后续步骤中越放越大，导致最终结果偏得离谱。透明度也不够，用户常常觉得系统像个黑盒子，不知道它为什么这样判断或行动。更别提幻觉的风险了，虽然设计初衷是减少虚假信息，但在整合资料、填补逻辑空白时，系统还是可能塞进些不靠谱的推测。最后，一切都依赖数据质量，如果知识库本身就薄弱，再聪明的“研究员”也难发挥作用。 研发圈子已经注意到了这些问题，正在各种方向上发力改进。一种思路是模块化设计，把系统拆分成清晰的部件，每个决策步骤都更易懂，便于检查和修复。还有自监督学习，让系统从自己的经历中吸取教训，逐步优化查询策略。人机协作框架也在探索中，设计出更好的互动方式，让用户在关键节点插手，形成一种互补的智能模式。整合知识图谱是个有前景的方向，能结合结构化的知识和文本搜索，提升推理深度。另外，多模态能力也在扩展，让系统处理图片、视频、音频等更多类型的数据，从中挖掘洞见。 这些演进表明，技术的发展总是在解决问题中前进。Agentic RAG的未来或许就在于平衡复杂性和实用性，让它真正成为可靠的伙伴，而非偶尔失控的工具。 研究员的智慧 就像玛丽亚教会学生如何提出更好问题、评估信息并转化碎片知识，Agentic RAG的意义也在于此：它代表AI从被动执行向主动思考的范式转变。在信息爆炸时代，挑战不再是获取信息，而是提取有价值的洞见。这项技术预示着思考负担的重新分配——AI不再只提供原材料，还能协助分析和综合，成为真正的思考伙伴。 这不意味着AI将取代人类思维，理想未来是AI成为思考放大器，处理重复性工作，让人类专注于更高层次判断和创新。从图书管理员到研究员的进化展示了人机协作的新可能，AI既不是命令的仆人也非替代者，而是能主动思考的探索伙伴，重新定义了人机关系，共同拓展知识边界。 第一步：任务解析与规划 收到用户问题后，系统首先会分析这是一个什么性质的问题，需要什么类型的信息，应该如何拆分成可管理的子问题。这就像玛丽亚帮助学生进行头脑风暴，规划研究路径。 第二步：迭代检索与探索 系统不会仅进行一次检索就停止，而是会根据初步结果调整策略，逐步深入。当发现信息不足或矛盾时，会自动生成新的查询，就像玛丽亚不断调整研究方向，从不同角度获取资料。 第三步：信息验证与整合 系统会交叉验证不同来源的信息，识别并处理矛盾点，将碎片化信息整合成一个连贯的整体。这正如玛丽亚会对比不同历史学家的观点，找出最可靠的结论。 第四步：自主决策与反馈 系统能够根据检索结果做出决策：是继续深入某个方向，还是已经获得足够信息可以回答问题。在这个过程中，系统会不断评估自己的进展，及时调整策略。 与传统RAG相比，Agentic RAG具有以下关键优势： 1. 能将复杂问题拆分为多个可管理的子问题，制定结构化的查询计划。 2. 能根据初步结果动态调整检索策略，不断优化查询方式。 3. 能够评估信息的可靠性和相关性，处理矛盾信息，避免盲目接受第一手资料。 4. 能将多个来源的碎片信息整合成连贯一致的答案，而非简单拼接。 5. 能够意识到自身知识的不确定性和局限，在必要时明确表达不确定性。 这些特性使Agentic RAG能够处理更复杂、更开放性的问题，提供更深入、更全面的回答。就像玛丽亚不仅帮助学生找到资料，更帮助他们思考如何使用这些资料，Agentic RAG正在从单纯的"信息提供者"进化为真正的"思考伙伴"。 技术解剖：Agentic RAG的实现原理 Agentic RAG听起来似乎具有某种神奇力量，但其核心实现原理其实相当优雅且富有洞见。 查询规划器 Agentic RAG的第一个关键组件是查询规划器（Query Planner）。它就像一位经验丰富的研究主管，负责分析原始问题，制定检索策略。 具体来说，查询规划器通过以下步骤工作： 1. 问题分类 ：判断问题的类型——是事实性查询、分析性问题还是需要多角度探讨的开放性问题。 2. 问题分解 ：将复杂问题拆解为一系列相互关联的子问题，形成一个"问题树"。 3. 依赖分析 ：确定子问题之间的逻辑关系和优先顺序——哪些问题需要先回答，哪些可以并行处理。 4. 查询生成 ：为每个子问题设计最有效的查询关键词或问题表述。 这个过程的实现通常依赖于大语言模型自身的推理能力，通过特殊提示词（prompt）引导模型扮演"研究规划"的角色。系统会告诉模型："你需要制定一个深入调查这个问题的计划，考虑各个必要角度，并设计有效查询。" 迭代检索器 有了计划后，迭代检索器（Iterative Retriever）负责执行这些查询，并根据结果进行动态调整。它不满足于一次性检索，而是不断深入、扩展和精炼搜索范围。 迭代检索器的工作流程包括： 1. 初步检索 ：执行规划器设计的初始查询，获取第一批相关文档。 2. 结果评估 ：分析检索结果的相关性、完整性和可靠性，识别信息缺口。 3. 查询调整 ：根据评估结果，优化查询关键词、拓展或缩小搜索范围。 4. 深度探索 ：对特别相关的线索进行进一步深入查询，就像顺着一条有价值的研究线索不断深入。 这种迭代过程不是随机的，而是遵循启发式策略——例如，当发现矛盾信息时，系统会自动触发更多查询来寻找更多证据支持或反驳特定观点。 信息综合器 收集到足够信息后，信息综合器（Information Synthesizer）接管工作，将分散的信息片段转化为连贯一致的回答。 它的工作包括： 1. 证据权重评估 ：判断不同信息源的可靠性和相关性，赋予不同权重。 2. 矛盾识别与处理 ：识别不同来源之间的矛盾，尝试调和或明确指出争议之处。 3. 逻辑结构构建 ：按照合理的逻辑顺序组织信息，构建清晰的论证结构。 4. 知识整合与推理 ：不只是简单拼接信息，还需要进行合理推理，填补信息之间的逻辑缺口。 这个组件同样依赖于大语言模型的能力，但关键在于提示词设计——系统要求模型不要急于给出答案，而是先对收集到的所有信息进行批判性分析和整合。 自主决策器 整个系统的运行离不开自主决策器（Autonomous Decision Maker），它像一位经验丰富的研究者的"元认知"能力，不断监控和指导整个研究过程。 它负责判断： • 当前信息是否足够回答问题？ • 是继续深入某个方向，还是转向新的搜索领域？ • 是否需要重新规划整个查询策略？ • 最终答案的确定性有多高？是否需要表达不确定性？ 这种自主决策能力是通过一种称为"思维框架"（如ReAct框架）实现的，让AI在"思考"和"行动"之间不断切换，形成一个反馈循环。 这些组件共同工作，形成了一个自主学习、自我调节的智能系统。与其说Agentic RAG是一项独立技术，不如说它是一种架构思想——通过组合和编排现有技术，让系统展现出更接近人类研究者的智能行为。 进化之路 Agentic RAG带来了检索技术的巨大进步，但它并非完美无缺，也面临着一些棘手的挑战。认识到这些局限，能帮助人们更理性地看待和运用这项技术，而不是一味乐观。 当下的一些痛点值得注意。计算量是个大问题——比起传统的RAG，这种方法的多轮搜索和层层推理需要更多资源和时间。有些场合需要快速反馈，这时候它的“细思慢想”反而成了拖累。还有，错误容易像滚雪球一样积累：早期一个小偏差，可能在后续步骤中越放越大，导致最终结果偏得离谱。透明度也不够，用户常常觉得系统像个黑盒子，不知道它为什么这样判断或行动。更别提幻觉的风险了，虽然设计初衷是减少虚假信息，但在整合资料、填补逻辑空白时，系统还是可能塞进些不靠谱的推测。最后，一切都依赖数据质量，如果知识库本身就薄弱，再聪明的“研究员”也难发挥作用。 研发圈子已经注意到了这些问题，正在各种方向上发力改进。一种思路是模块化设计，把系统拆分成清晰的部件，每个决策步骤都更易懂，便于检查和修复。还有自监督学习，让系统从自己的经历中吸取教训，逐步优化查询策略。人机协作框架也在探索中，设计出更好的互动方式，让用户在关键节点插手，形成一种互补的智能模式。整合知识图谱是个有前景的方向，能结合结构化的知识和文本搜索，提升推理深度。另外，多模态能力也在扩展，让系统处理图片、视频、音频等更多类型的数据，从中挖掘洞见。 这些演进表明，技术的发展总是在解决问题中前进。Agentic RAG的未来或许就在于平衡复杂性和实用性，让它真正成为可靠的伙伴，而非偶尔失控的工具。 研究员的智慧 就像玛丽亚教会学生如何提出更好问题、评估信息并转化碎片知识，Agentic RAG的意义也在于此：它代表AI从被动执行向主动思考的范式转变。在信息爆炸时代，挑战不再是获取信息，而是提取有价值的洞见。这项技术预示着思考负担的重新分配——AI不再只提供原材料，还能协助分析和综合，成为真正的思考伙伴。 这不意味着AI将取代人类思维，理想未来是AI成为思考放大器，处理重复性工作，让人类专注于更高层次判断和创新。从图书管理员到研究员的进化展示了人机协作的新可能，AI既不是命令的仆人也非替代者，而是能主动思考的探索伙伴，重新定义了人机关系，共同拓展知识边界。 我是蓝衣剑客，谢谢你看我的文章。 🔗 原文链接： https://mp.weixin.qq.com/s/y3HZ3Sqj... https://mp.weixin.qq.com/s/y3HZ3Sqj... 原创 蓝衣剑客 AIGC思维火花2025年07月28日 11:17 浙江 大家好，我是蓝衣剑客，欢迎来到「AI学什么」——一个专注于AI科普的栏目。这个栏目的宗旨是"用最精彩的故事，讲述最硬核的知识"。在这里，你将看到深入浅出的AI核心技术解析，既不会被枯燥的技术细节困扰，也不会停留在肤浅的概念层面。通过生动的类比、通俗的语言和完整的故事，帮助你在轻松阅读中掌握那些看似难以理解的AI知识，培养应对AI时代的核心认知能力。无论你是AI领域的新手，还是希望加深理解的从业者，这里都能为你提供清晰的知识和独特的思考角度。 大家好，我是蓝衣剑客，欢迎来到「AI学什么」——一个专注于AI科普的栏目。这个栏目的宗旨是"用最精彩的故事，讲述最硬核的知识"。在这里，你将看到深入浅出的AI核心技术解析，既不会被枯燥的技术细节困扰，也不会停留在肤浅的概念层面。通过生动的类比、通俗的语言和完整的故事，帮助你在轻松阅读中掌握那些看似难以理解的AI知识，培养应对AI时代的核心认知能力。无论你是AI领域的新手，还是希望加深理解的从业者，这里都能为你提供清晰的知识和独特的思考角度。 You don't have permission to access this synced block. Please log in and try again. Log In 图书馆管理员与研究员 2023年深秋，日内瓦大学历史学院迎来了两位特殊的访客：罗伯特和玛丽亚。 罗伯特是图书馆的资深管理员，从业三十年，对馆内数十万册藏书了如指掌。提到任何历史主题，他都能迅速找到相关书籍。玛丽亚则是一位历史研究员，专长不在于记忆每本书的位置，而在于分析整合信息，提出独到见解。 这一天，一位历史系教授为学生们安排了一场特殊的任务："请解析拿破仑在俄罗斯战役中失败的三大关键因素，并探讨如果他采取不同策略，结果会有何不同？" 两位专家被分别邀请协助不同的学生小组。 罗伯特所在的小组工作方式相当直接。学生们提出问题："请找到关于拿破仑俄罗斯战役的书籍。"罗伯特立即带领他们找到了五本相关著作。接着他们又问："其中哪些讨论了失败原因？"他迅速在三本书中找到了相关章节。这个过程高效但机械，学生们需要明确知道自己想要什么，才能得到精准的帮助。 玛丽亚的工作方式截然不同。当学生们说明任务后，她首先与他们进行了一场头脑风暴："我们需要考虑军事、气候、后勤等多个维度。让我们先梳理出需要查询的关键问题。"她主动拆解了大问题，设计了一系列搜索策略：先查找基本战役经过，再专门搜集失败原因分析，然后寻找反事实历史讨论。她甚至提出："我们应该查阅一些关于19世纪初俄罗斯冬季气候的资料，以及当时军队后勤补给的技术限制。" 当找到资料后，玛丽亚并不满足于简单收集。她会交叉验证不同来源的信息："这位作者说严冬是主因，但另一位强调后勤规划失误更为关键，我们需要进一步核实。"在整理答案时，她帮助学生们将碎片化信息整合成一个连贯的叙事，并指出历史分析中的因果推理陷阱。 结果可想而知：罗伯特小组的学生完成了任务，但报告平淡无奇；玛丽亚小组的学生则交出了一份深度分析和创新思考并存的优秀作品。 在AI技术领域，我们正经历着类似的进化。传统的RAG（检索增强生成）技术像罗伯特，擅长按指令查找信息；而新兴的Agentic RAG则像玛丽亚，能主动思考、规划、验证和整合，将AI从被动的"信息检索工具"提升为主动的"研究助手"。 今天，让我们一起探索这场从"图书馆管理员"到"研究员"的进化革命。 传统RAG：称职的图书馆管理员 在深入了解Agentic RAG之前，我们需要先理解传统RAG技术的工作原理。 具体来说，传统RAG的工作流程可分为三步： 第一步：知识入库与索引 每一段知识都被转化为数字"坐标"（向量），就像给每本书贴上详细的分类标签并安排到特定书架上。这些向量被存储在"向量数据库"中，形成一个可搜索的知识地图。 第二步：相关性检索 当用户提出问题时，系统会将问题也转化为同样的数字"坐标"，然后在知识地图上查找最"邻近"的几段内容，就像图书管理员根据你的问题主题，找出最相关的几本书。 第三步：增强生成回答 系统将检索到的相关内容与用户的问题一起发送给大语言模型，让模型基于这些信息生成回答。这就像管理员把找到的几本书交给你，而你自己需要阅读并整合这些信息来获得答案。 传统RAG技术解决了大语言模型两个核心问题： 1. 无需重新训练，只需更新向量数据库，就能让模型获取最新知识。 2. 有了可靠的外部信息源，模型不必靠"想象"来填补知识空白，从而减少编造事实的可能性。 然而，传统RAG也面临着明显的局限： • 只能按照用户明确提出的问题检索，无法主动拓展或调整搜索范围。 • 通常只进行一轮检索，难以处理需要多轮深入探索的复杂问题。 • 无法交叉核实不同来源的信息，容易将错误或不一致的内容直接传递给用户。 • 难以有效整合多个来源的片段信息，形成连贯一致的回答。 就像我们故事中的罗伯特一样，传统RAG是一位知识渊博但被动的助手——只有当你明确知道自己需要什么，并能清晰表达时，它才能提供最大的帮助。 Agentic RAG：主动思考的研究员 Agentic RAG代表了信息检索技术的一次质变——从被动执行到主动思考。 回到我们的故事，如果传统RAG像图书管理员罗伯特，那么Agentic RAG就像研究员玛丽亚，她不只是响应指令，而是真正理解研究目标，并制定策略来实现它。 Agentic RAG的核心工作流程包括：