1.原理对比图

分享一张非常漂亮的图，来对比一下原理及流程（from join.DailyDoseofDS.com）

2.定位及使用场景

2.1 传统RAG

这是一种线性的、一次性的检索增强生成流程。

工作流程：

• 接收问题：用户提出一个查询。
• 检索：系统将查询与知识库进行向量相似度搜索，检索出最相关的几个文档片段。
• 生成：将检索到的文档片段和原始查询一起打包，发送给大语言模型，让LLM基于这些上下文生成答案。
• 输出答案：将LLM生成的答案返回给用户。

核心特点：

• 被动执行：它严格按照“检索-增强-生成”的固定流程执行，没有决策能力。
• 一次性操作：通常只进行一次检索和生成。如果第一次检索的结果不理想，它无法自我修正。
• 缺乏规划：它不会去思考“这个问题可能需要多步推理”或“我应该从不同的角度检索信息”。
• 适用场景：非常适合事实性问答、简单的知识查询，例如“公司的年假政策是什么？”或“解释一下什么是神经网络”。

局限性：

• 如果问题复杂，需要多步信息整合，它可能无法给出好答案。
• 如果第一次检索错了，整个回答就错了，缺乏纠错机制。
• 无法处理需要工具使用（如计算、搜索）的任务。

2.2 Agentic RAG

这是一种非线性的、具有决策和规划能力的RAG流程。它引入了一个“智能体（Agent）”作为核心控制器，这个智能体可以利用工具（包括RAG本身）来完成任务。

2.2.1 工作流程：

• 接收任务：用户提出一个复杂的任务或问题。
• 规划：智能体首先对任务进行分解和规划。例如，它可能会想：“要回答这个问题，我需要先了解A概念，再查一下B事件的数据，最后对比一下C和D。”
• 执行与迭代：智能体根据规划，主动选择和使用工具。
• 它可能会多次调用RAG，每次用不同的子问题去检索。
• 它可能会使用计算器 进行数学运算。
• 它可能会使用搜索引擎 获取最新信息。
• 它可能会使用代码解释器 分析数据。
• 反思与验证：智能体会对收集到的信息进行反思和验证，判断是否足够、是否准确、是否存在矛盾。如果不够，它会回到第3步继续执行。
• 综合生成：当智能体认为信息充足时，它会综合所有步骤的结果，生成一个完整、准确的最终答案。

核心特点：

• 主动规划：具备任务分解和规划能力。
• 工具使用：将RAG视为其可用的核心工具之一，并能灵活调用其他工具。
• 迭代式检索：可以进行多轮、多角度的检索，自我修正和优化。
• 推理与决策：在整个过程中有“思考”的步骤，决定下一步该做什么。

适用场景：

• 复杂的开放式问答：例如“为我们的新产品制定一个进入东南亚市场的初步策略。”
• 需要多步推理的研究：例如“比较一下特斯拉和比亚迪在过去三年的财务表现和主要技术路线。”
• 需要整合多来源信息的任务：例如“总结一下关于‘室温超导’的最新研究进展和学界的主要争议点。”

3.各维度对比

4.总结

传统RAG解决了LLM的“知识幻觉”和“信息滞后”问题，是一个强大的信息检索和答案生成管道。而Agentic RAG则是在此基础上，赋予了系统“大脑”和“手脚”，使其能够自主思考、规划并使用各种工具（包括RAG）来解决更为复杂和动态的现实世界任务。

可以说，Agentic RAG是RAG技术的进化方向，使其从一个强大的工具，转变为一个能够独立处理复杂任务的智能代理。