Agentic RAG：让检索长出规划、路由与自我修正

传统 RAG 的天花板：固定管线的四个假设

传统 RAG（本库 RAG 手册的管线）是一个固定的流程：查询 → 向量检索 → 塞上下文 → 生成。这个管线隐含四个假设，每个都在真实场景里被打破。假设一：每个查询都需要检索——打招呼、闲聊、追问上文的请求也被硬塞检索（浪费与噪音）。假设二：用户的查询是好的检索词——口语化的问题与文档的表述存在鸿沟（本库查询改写篇的核心痛点）。假设三：只有一个知识源——真实企业有文档库、数据库、API、网页——「从哪检索」本身是个决策。假设四：检索一次就够——复杂问题需要多跳（先查 A 得到线索、再查 B）与验证。Agentic RAG 的定义：把「要不要检索、检索什么、从哪检索、够不够好」这四个决策从管线搬进 Agent——检索不再是固定步骤，是智能体的可选工具与动态过程。

核心模式：路由、规划与自我修正

Agentic RAG 的三个核心模式。模式一：检索路由（routing）。一个前置的 Agent 判断「这个请求该走哪条路」——不需要检索的（闲聊、追问）直接答、该查向量库的查向量库、该查数据库的生成 SQL、该上网的上网——「检索路由器」是 Agentic RAG 的第一收益（省掉无效检索的成本与延迟，且各走各的专业管线）。模式二：查询规划与改写（query planning）。复杂问题被拆解成子查询（「对比 A 和 B 的方案」拆成「查 A」「查 B」「查对比维度」三个子检索）、每个子查询被改写成检索友好的表述（本库查询改写篇的自动化版）——多跳问题的分解是 Agentic RAG 的第二收益。模式三：自我修正循环（self-correction）。检索结果回来后，一个评估步骤问「这些材料能回答问题吗」——不够好就改写查询重检索（换关键词、换知识源、扩大范围）——「检索-评估-再检索」的循环把「一次检索定生死」的脆弱性变成迭代逼近。三个模式的组合构成完整的 Agentic RAG：路由进对门 → 规划拆对题 → 修正找对料——每一步都是 Agent 的决策，但每一步的决策范围都被窄化（本库窄化原则：窄化的决策可靠且可测）。

与传统 RAG 的分工：成本、延迟与可靠性的账

Agentic RAG 不是免费午餐——它的每个「智能决策」都是一次 LLM 调用（路由一次、规划一次、评估一次、修正再评估——成本与延迟成倍增加）。分工的账本。传统 RAG 适用：查询模式稳定（大部分是「文档问答」型）、知识源单一、对延迟敏感（生产服务的实时应答）——固定管线的快与便宜是它的护城河。Agentic RAG 适用：查询意图混杂（有的要检索有的不要）、多知识源、复杂问题多跳、精度要求高于速度要求。混合架构是生产的常态：简单查询走固定管线（快路径）、复杂查询走 Agentic 循环（慢路径）——路由器本身就是一个轻量判断（甚至可以用小模型或分类器），「快慢双路径」让 Agentic RAG 的成本可控（本库推理经济学篇的分层思想）。评估的提醒：Agentic RAG 的评测要覆盖「决策层」——路由的正确率、规划的拆解质量、修正的收敛性——只测最终答案会掩盖决策层的系统性错误（本库评测篇的分层评测原则）。

实施的务实建议：从最小 Agentic 到完全 Agent 化的阶梯

实施建议按阶梯递进（别一步跳到完全 Agent 化）。阶梯一：加检索路由（一个轻量分类：需要检索吗？查哪个库？——成本最低、收益立现的改造）。阶梯二：加查询改写（用 LLM 把用户查询改写成检索友好表述——本库查询改写篇的标准动作，一次改写不算 Agent 但收益巨大）。阶梯三：加评估与单次修正（检索结果的质量判断 + 一次改写重试——解决「检索垃圾进、垃圾出」的主要病灶）。阶梯四：完整的多跳 Agentic 循环（规划-检索-评估-修正的完整循环——复杂多跳问题的终极形态，成本与复杂度也最高）。阶梯的选择依据：看你的失败案例分布——统计你的 RAG 的 bad case：多少是「不该检索的检索了」（→ 阶梯一）、多少是「查询写得太差」（→ 阶梯二）、多少是「检索结果不够好」（→ 阶梯三）、多少是「单跳根本答不了」（→ 阶梯四）——按 bad case 的分布选阶梯，是 Agentic RAG 演进的唯一正确顺序。

Agentic RAG 实战：一个检索路由器的最小实现

Agentic RAG（正文阶梯）的实战：检索路由器的最小实现，四级阶梯的第一级。路由器的实现：一个轻量 LLM 调用（分类器式）——输入用户问题，输出路由决策（无需检索直接回答 / 查产品文档库 / 查工单数据库 / 查外部网页）——路由的 prompt 设计：每个知识源的「适用范围描述」（什么问题该查哪——描述的精准度决定路由的准确率）。路由器的评测：构建路由测试集（每个意图类别 20 个样本）→ 路由准确率的测量 → 错误路由的分析与描述迭代（路由器是一个可以独立评测与迭代的小 Agent——本库评测篇的粒度原则）。与固定管线的集成：路由器 + 多条固定 RAG 管线（每条管线针对自己的知识源优化——路由层是智能的、管线层是固定的——本库正文快慢双路径的落法）。进阶的路由策略：多源并行检索（判断为「可能多源」时并行查多个库——成本换召回）、路由的降级（路由器不确定时默认走全检索——宁可多查不可漏查的保守策略，视业务定）。最小实现的元价值：路由器是 Agentic RAG 里「性价比之王」——一次轻量分类的投入，省掉的是无效检索的成本与噪音——四级阶梯的第一级，多数团队的正确起点。

Agentic RAG 的评估：路由、检索与答案的三层度量

Agentic RAG（正文评测提醒）的评估体系展开：三层度量。层一：路由层的度量。路由准确率（每个查询的路由决策是否正确——标注测试集的人工成本在这里）、错路由的代价分级（该查没查 = 漏答、不该查查了 = 浪费——两种错误的代价不同，阈值要按代价调）。层二：检索层的度量。本库 Embedding 篇的 Recall@K/MRR——加上 Agentic 特有的指标：多跳的分解质量（复杂问题拆出的子查询是否覆盖了信息需求）、修正循环的收敛性（自我修正几次能找到合格材料——不收敛的修正循环是成本黑洞）。层三：答案层的度量。faithfulness（答案与检索材料的一致性——幻觉率）、answer relevancy（答案与问题的相关性）、以及引用的正确率（引用的文档真的支撑该论断吗——本库 Deep Research 篇的引用审计）。三层度量的联动分析：最终答案错了——错在哪一层（路由错→检索好也白搭、检索好→答案仍错是生成问题）——分层的错误归因是 Agentic RAG 调优的核心能力（传统 RAG 的归因简单，Agentic 的归因需要三层仪表）。评估的工程化收束：三层度量进 CI（本库评测篇）+ bad case 按层归因入库——Agentic RAG 的复杂度，要求评测的复杂度同步升级；三层的仪表盘是它的驾驶舱。

Agentic RAG 的进阶案例：多源知识库的企业检索

Agentic RAG（正文阶梯）的进阶案例：多源知识库的企业检索——四级阶梯的完整形态。场景：企业的知识散落在 Confluence（文档）、Jira（工单）、代码仓库、SharePoint（政策文件）——「查 X 政策下的 Y 流程怎么走」需要跨源。架构的搭建。路由层（阶梯一）：意图分类 + 源路由（政策问题 → SharePoint、技术问题 → Confluence+代码、工单问题 → Jira）。查询规划层（阶梯二）：复杂问题的拆解（「X 政策下 Y 流程」拆成「查 X 政策」+「查 Y 流程」+「查两者的交叉引用」）。修正层（阶梯三）：检索结果的充分性评估 → 不足时换源重试（Confluence 没找到 → 试 SharePoint）。Agentic 层（阶梯四）：多跳的完整循环（政策引用了另一个政策 → 追踪引用链）。权限的贯穿（企业场景的独有难题）：检索的权限继承（用户查不到的文档 Agent 也不该返回——按用户身份过滤检索结果——权限不是检索后的过滤，是检索时的条件——安全篇的权限模型在 RAG 的关键落点）。进阶案例的收束：多源企业检索是 Agentic RAG 的「完全体」——路由、规划、修正、权限四个能力一个不能少；而它的价值，是把「员工找信息」的天级任务压成分钟级——企业 Agent 的第一 ROI 就在这里。

Agentic RAG 的成本核算：智能检索的账单管理

Agentic RAG（正文成本提醒）的成本核算：智能检索的账单管理。成本的构成拆解。路由层的成本（每次查询一次轻量调用——便宜）、规划层的成本（复杂问题的拆解——中档）、检索本身的成本（向量检索便宜、LLM 重排中等）、修正循环的成本（每次修正 = 重新检索 + 重新评估——循环是成本的大头：不收敛的循环是账单黑洞）、生成的成本（最终答案）。一笔真实账的示例（量级示意）：简单问题走快路径 ≈ 1 单位成本；复杂问题走完整 Agentic 循环（路由 + 规划 + 3 轮检索评估 + 生成）≈ 10-30 单位——Agentic 的成本是传统的十倍以上，这是它必须「按需启用」的经济学理由。账单的管理手段。循环的硬上限（修正最多 N 轮——超限接受现有结果并标注置信度，本库后台 Agent 篇的熔断思想）、缓存（相同查询的路由与检索结果缓存——本库 Prefix Caching 篇）、模型分级（评估用小模型、生成用旗舰——本库正文的双路径）。成本核算的收束：Agentic RAG 的智能是买来的——每一层的「多想一步」都是 token；预算与熔断的设计，决定了它是「精度提升器」还是「账单放大器」。

小结

Agentic RAG 把检索的四个决策（要不要、查什么、从哪查、够不够）从固定管线搬进 Agent：路由省无效检索、规划解多跳问题、修正迭代逼近。它与传统 RAG 的分工是成本与复杂度的账——快慢双路径的混合是生产常态，评测要覆盖决策层。实施的正确姿势是按 bad case 分布走四级阶梯（路由 → 改写 → 修正 → 完整循环）——Agentic RAG 的每一级都该由你的失败案例来驱动，而不是由论文的酷炫来驱动。