布吉岛 Agent

Appearance

12.4.2 什么时候 RAG 应该升级为“Agentic Retrieval”？ ​

先给结论：当检索不再是“一次性找证据”，而是“需要多轮决策、动态改写与工具协同”时，RAG 就该升级为 Agentic Retrieval。

Agentic Retrieval 的本质不是“更复杂的检索”，而是“检索由 Agent 来控制”，它能动态决定检索路径与检索深度。

如果把它放到 Agentic RAG 的语境里，普通 RAG 更像固定流水线：先检索，再生成；Agentic RAG 则让 Agent 根据任务状态决定是否检索、怎么检索、是否改写问题、是否继续查证。两者的核心区别不在“有没有向量库”，而在检索是否由动态决策驱动。

需要升级的典型信号 ​

出现以下任意两项，你就应该考虑升级：

  • 问题需要多跳检索或多阶段定位
  • 检索策略需要动态切换（语义、关键词、结构化）
  • 同一问题的检索路径因上下文而变化
  • 检索结果质量波动明显，需要主动纠错
  • 需要把检索与工具调用编排成流程

Agentic Retrieval 的最小形态 ​

你可以从“轻量决策”开始，不需要一上来就做复杂 Agent：

  1. 路由决策：选择检索器或检索策略
  2. 查询改写：根据结果质量改写 query
  3. 多轮检索：进入更细范围
  4. 证据评估：决定是否继续或停止

最小伪代码示意：

python
def agentic_retrieve(query):
    strategy = choose_strategy(query)
    candidates = retrieve(query, strategy=strategy)
    if not evidence_enough(candidates):
        query = rewrite(query)
        candidates = retrieve(query, strategy="hybrid")
    return candidates

这里的关键是“策略选择 + 纠错触发”，而不是复杂的规划。

从普通 RAG 到 Agentic Retrieval 的迁移路径 ​

建议按下面的渐进式路线升级：

  1. 加查询改写：先解决检索信号不稳定
  2. 加多路召回：提高覆盖率
  3. 加路由策略：按问题类型切换检索
  4. 加自检与纠错：稳定检索质量
  5. 引入 Agent：让检索与工具调用协同

这条路径的核心是“先补稳定性，再补决策力”。

常见误区 ​

误区一：Agentic Retrieval 就是“更复杂的检索” ​

它的价值在于“检索决策被流程控制”，而不是检索器更复杂。

误区二：只有大型系统才需要 ​

只要问题需要多轮检索与决策，哪怕是中小规模系统也值得引入。

误区三：一上来就做全量 Agent ​

可以先从“路由 + 查询改写 + 自检”做起，Agent 只是最后一步。

自检清单 ​

  • 检索策略是否经常需要人为调整？
  • 是否存在“同类问题需要不同检索路径”的情况？
  • 是否需要检索与工具调用协同完成任务？

一句话总结 ​

当检索需要“动态决策”而不是“固定流程”时，就该升级为 Agentic Retrieval。它让检索从“被动调用”变成“可控流程”。