代理式检索增强生成：代理式RAG综述
Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG
Aditi Singh, Abul Ehtesham, Saket Kumar, Tala Talaei Khoei, Vasilakos, Athanasios V.
arXiv (Cornell University) · 2025-01-15
摘要
大语言模型（LLMs）通过实现类人文本生成与自然语言理解推动了人工智能的发展。然而，其对静态训练数据的依赖限制了其回应当前动态、实时查询的能力，导致输出过时或不准确。检索增强生成（RAG）作为一种解决方案应运而生，通过整合实时数据检索为大语言模型提供语境相关且最新的回应，从而对其加以增强。尽管具备潜力，传统RAG系统仍受限于静态工作流，缺乏多步推理与复杂任务管理所需的适应性。代理式检索增强生成（Agentic RAG）通过将自主AI智能体嵌入RAG流程来突破这些限制。这些智能体利用代理式设计模式——反思、规划、工具使用与多智能体协作——动态管理检索策略，迭代优化语境理解，并通过从顺序步骤到自适应协作的各类操作结构对工作流进行适配。这种融合使代理式RAG系统能够在多元应用中实现灵活性、可扩展性与语境感知能力。本文开展了一项关于代理式RAG系统的分析性综述：梳理了RAG范式的演进脉络，基于智能体基数、控制结构、自主性及知识表示提出了代理式RAG架构的规范性分类体系，对现有框架的设计权衡进行了对比分析。该综述考察了医疗、金融、教育与企业文档处理领域的应用，为系统设计者与从业者提炼出实用经验。最后，本文明确了评估、协同、记忆管理、效率与治理方面的关键开放研究挑战，展望了未来研究方向。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于全文生成- 主要观点
- 论文的核心论点是：大语言模型受制于静态预训练数据，容易产出过时或幻觉性内容，传统RAG虽在推理阶段引入外部检索以增强事实依据，却因"静态而线性的流水线"无法支撑多步推理、深层语境理解与迭代式答案精炼。作者由此主张，把具备感知、推理与自主任务执行能力的AI智能体直接嵌入RAG管道，使"何时检索、如何重写查询、证据是否充分"本身成为可由智能体自主决策的任务，从而形成Agentic RAG。支撑性论断是：智能体经由反思、规划、工具使用与多智能体协作四类设计模式，配合提示链、路由、并行化、编排者—工作者、评估者—优化者等工作流模式，可实现动态检索策略管理、语境理解的迭代精炼与自适应工作流编排。论文同时判定该领域处于"架构多样、术语不一、缺乏比较性理解"的碎片状态，因而以建立统一分类学与设计权衡比较为核心任务，并将医疗、金融、教育与企业文档处理列为典型应用域，将评估、协调、记忆管理、效率与治理列为尚未解决的问题。
- 研究方法
- 采用分析性综述路径，而非实验、建模或元分析。具体做法之一是以范式谱系梳理的方式，对Naïve RAG（TF-IDF、BM25关键词检索）、Advanced RAG（DPR稠密检索、神经重排、多跳检索）、Modular RAG（稀疏—稠密混合检索、工具与API集成、可组合管道）、Graph RAG（节点连通性、层次化知识管理、图路径语境增强）直至Agentic RAG逐一比对特征、优势与局限，并汇总为对照表。分类学建构沿智能体数量、控制结构、自主性、知识表示四个维度展开，并以此组织单智能体、多智能体与图结构三类框架。在框架层面进行设计权衡的比较分析，在应用层面按医疗、金融、教育与企业文档处理四域展开考察，另设专章处理实现工具与框架、基准与数据集。材料未提及系统性文献检索协议、纳入与排除标准，也未报告任何定量评测；样本文献的具体构成在材料中未明确提及。
- 学术贡献
- 在理论建构层面，提出以智能体数量、控制结构、自主性、知识表示四维度为轴的原则化分类学，直接回应材料所诊断的术语混乱与架构碎片化问题，为该子领域给出可操作的概念坐标系。在材料发掘与谱系梳理层面，把从关键词检索到智能体自主编排的五阶段演进串成连续的解释链条，使Agentic RAG的"范式转换"性质得以在技术演进脉络中被定位。在方法整合层面，将智能体AI的反思、规划、工具使用、多智能体协作四类设计模式与提示链、路由、并行化、编排者—工作者、评估者—优化者等工作流模式接入RAG管道设计，打通了原本分属两个研究传统的架构议题。在领域拓展与议题设定层面，把应用考察延伸至医疗、金融、教育与企业文档处理，并以评估、协调、记忆管理、效率、治理五项开放问题构成研究议程，对RAG系统工程实践与智能体系统评测两个议题均具参照价值；论文附设的GitHub仓库亦构成可复用的资料汇集。
- 存在局限
- 其一，作为分析性综述，其分类学与设计权衡比较全为定性判断，材料中未见对四维度划分的操作化定义、编码规则或标注者一致性检验，分类框架的判别力无法核验。其二，论文声称对现有框架作比较分析，但材料未显示统一的定量指标、基准测试结果或受控实验，所谓"权衡"缺乏可测量支撑。其三，应用域考察局限于医疗、金融、教育与企业文档处理四类，法律研究等仅作为Graph RAG的适用场景被顺带提及，跨域外推的边界未加讨论。其四，材料未交代文献检索策略、时间窗与纳入排除标准，覆盖完整性难以评估；对迭代极快的领域而言，以arXiv预印本为主的素材基础也会削弱分类的时效性。其五，正文以"unparalleled flexibility"一类评价性措辞描述Agentic RAG，与综述应有的审慎立场之间存在张力，且协调复杂性与计算开销等作者自陈的代价未在结论中被等价对待。
- 进一步研究方向
- 围绕论文自陈的五项开放问题可设计如下可操作路径：在评估方面，构建覆盖多跳检索、查询重写与证据充分性判断的标准化任务集，令单智能体、多智能体与图结构三类架构在同一基线上受控对比，报告准确率、时延与token成本的三维权衡曲线。在协调方面，以编排者—工作者与评估者—优化者两种工作流为自变量，测量智能体数量增加对错误传播率与收敛轮数的影响，检验"自主性提升单调改善效果"这一隐含假设。在记忆管理方面，对短期与长期记忆的保留、遗忘策略做消融实验，观测上下文漂移率与重复检索率的变化。在效率与治理方面，记录不同查询复杂度下的检索调用次数与端到端延迟以建立复杂度—开销映射模型，并针对工具调用型智能体设计权限边界与审计留痕机制，在金融、医疗等可复现的合规场景中验证其可实施性。此外，可将四维分类学转写为可打分的编码手册，由多名标注者对同一框架集合独立编码并报告一致性系数，以检验该分类学的实际判别力。
本综述由 AI（deepseek-flash）阅读开放获取全文自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Topic Modeling