RAG（Retrieval-Augmented Generation）：检索增强生成，是一个系统化的框架，通过对外部知识库进行检索、整合，辅助大语言模型（LLM）生成更可靠、更具上下文信息的响应。解决LLM知识静态、幻觉、上下文限制等问题。
RAG主要步骤如下：
Indexing：数据预处理和准备；主要包含数据预处理、分块、嵌入、存储等过程，最终数据以向量形式存放在向量数据库中；
Retrieval：检索；根据Query查询相关性高的数据块，涉及到向量的相似度计算和不同检索策略的应用；
Augmentation：增强；将查询到的数据块和Query进行整合，形成一个新的、更丰富的Prompt；
Generation：生成；利用LLM对增强的Prompt生成最终响应。
二、RAG发展路线
至今为止，RAG的发展经历了Naive RAG、Advanced RAG、Modular RAG、Graph RAG、Agentic RAG 5个阶段：
Naive RAG：依赖简单的关键词检索技术，从静态数据集中提取文档用来增强LLM的生成能力，具有语义感知不足、输出碎片化、可扩展性差等缺点；
Advanced RAG：引入了语义理解和改进的检索技术：向量嵌入、向量搜索、重排序、多跳检索等，但也具有计算开销大，多步推理能力有限等局限；
Modular RAG：将检索和生成分解为独立、可复用的组件，支持领域特定的优化和任务适应性，支持混合检索、外部工具调用、pipeline组合等特性，但这也导致架构复杂度高，高度依赖组件协同等问题；
Graph RAG：利用图数据捕捉实体与实体之间的关系，进一步增强多跳推理和上下文丰富性，缺点是对数据依赖强，处理非结构化数的能力较弱；
Agentic RAG：引入能够进行动态决策和工作流优化的自主Agent，自适应检索策略，能够处理更加复杂的查询，但需要面对Agent协调与资源管理的挑战。
三、Agentic RAG
AI Agent的工作模式是Agentic RAG的演进的理论基础。通过集成能够进行动态决策、迭代推理和协作工作流的自主Agent，Agentic RAG 系统展现出更强的适应性和准确性。AI Agent主要包括LLM、Planning、Memory、Tool Use四个模块：
大型语言模型（LLM）：作为Agent的主要推理引擎和对话接口，负责解释用户查询、生成响应并保持连贯性；
记忆系统（Memory，短期和长期）：捕捉交互中的上下文和相关数据。短期记忆跟踪即时对话状态，而长期记忆存储积累的知识和Agent习惯和经验；
规划（Planning，反思与自我批判）：通过反思、查询路由或自我批判引导Agent的迭代推理过程，确保复杂任务被有效分解；
工具（Tool Use，向量搜索、网络搜索、API 等）：扩展Agent超越文本生成的能力，使其能够访问外部资源、实时数据或专业计算。
四、Agentic RAG 的不同工作模式
Agentic RAG具有灵活多变的工作模式，取决于任务的复杂度和对应场景：
Prompt chain：将复杂任务分解为多个步骤，每个步骤基于前一步骤的结果构建。这种结构化方法通过简化每个子任务来提高准确性，但由于顺序处理可能会增加延迟；
Routing：对输入进行分类，并将其导向适当的专业提示或处理流程。这种方法确保不同的查询或任务被分开处理，从而提高效率和响应质量；
Parallelization：将任务分解为可同时运行的独立进程，从而减少延迟并提高吞吐量。可分为切片（独立子任务）和投票（为提高准确性生成多个输出）两种类型；
Orchestrator-Workers：特点是有一个中央协调器模型，它动态地将任务分解为子任务，分配给专门的工作模型。与并行化不同，它能适应不同的输入复杂度；
Evaluator-Optimizer：通过生成初始输出并根据评估模型的反馈进行优化，迭代地改进内容。
不同工作模式架构图（由上至下）
五、Agentic RAG 分类
Agentic RAG系统可根据其复杂性和设计原则分为不同的架构框架。
Single-Agent Agentic RAG：由单个Agent管理信息的检索、路由和集成。该架构通过将任务整合到一个统一的Agent，简化了系统，在工具或数据源有限的场景中特别有效；
Multi-Agent Agentic RAG：通过利用多个专业Agent处理复杂工作流和多样化查询类型。该系统任务拆解、分配给多个Agent，每个Agent针对特定角色或数据源进行优化；
Multi-Agent Agentic RAG
Hierarchical Agentic RAG：采用结构化的多层级方法进行信息检索和处理，该方法同时提升了效率和战略决策能力。Agent按层级组织，高层Agent监督并指导低层Agent，这种结构支持多级决策，确保查询由最合适的资源处理；
Agentic Corrective RAG：引入了自我纠正检索结果的机制，它提高了文档利用率，改善了响应生成质量。通过将智能Agent嵌入工作流程，校正型 RAG 确保对上下文文档和响应进行迭代优化，最大限度地减少错误并提高相关性；
Agentic Corrective RAG
Adaptive Agentic RAG：通过根据传入查询的复杂度动态调整查询处理策略，提升LLM的灵活性和效率。与静态检索工作流不同，自适应 RAG 使用分类器评估查询复杂度，并确定最合适的处理方式，从单步检索到多步推理，甚至对简单查询完全绕过检索；
Graph-Based Agentic RAG：将图知识库与非结构化文档检索相结合，增强了RAG系统的推理能力和检索准确性，同时采用模块化检索器组、动态Agent交互和反馈循环以确保高质量输出；
Agentic Document Workflows（ADW）in RAG：
ADW通过实现端到端知识工作自动化，扩展了RAG范式。这些工作流编排以文档为中心的复杂流程，通过智能Agent集成文档解析、检索、推理和结构化输出。
六、应用场景
文章提到了以下工具和框架，可以满足现实应用的复杂需求：
八、Agentic RAG 总结
系统演进与优势：
- Agentic RAG 系统整合自主Agent，增强传统 RAG 的动态决策和自适应能力;
关键特点： 动态决策、迭代推理和协作工作流;
应用领域： 医疗、金融、教育、创意等，提供个性化和实时解决方案;
面临的挑战：
多Agent协调： 多Agent架构中的复杂性和可扩展性问题；
评估标准不足： 缺乏评估Agent智能能力的标准数据集和基准；
伦理与稳健性： 需要在责任和安全性上保持平衡。
未来展望：
增强适应性：持续优化多Agent协作和动态响应能力；
跨行业变革：应用于多领域，实现高效、智能的解决方案；
成为AI核心：Agentic RAG 成为构建上下文感知 AI 系统的基石。
