工作机制与关键组成
规划检索
判断问题类型，并选择合适的数据来源或检索策略。
收集证据
执行搜索、检查结果；如果覆盖不足，可以调整查询后再检索。
基于证据作答
根据相关资料回答并注明来源；证据不足时应停止搜索或说明无法确认。
如何选择
只有当按问题动态调整检索方式能实际提升回答质量时，才值得引入智能体式检索。
适合解决哪些问题
- 问题需要跨多个知识来源查找，或需要拆成多个子问题分别检索。
- 构建回答前必须先检查证据是否充分的研究助手。
使用时要留意什么
- 动态决定检索步骤会增加调用次数、延迟和需要评测的路径。
- 简单 FAQ 场景用固定的“检索后生成”流程，往往更容易预测和维护。
使用前，先弄清楚
什么情况下值得从普通 RAG 升级到 Agentic RAG？
当不同问题需要选择不同来源、拆分查询或检查证据是否足够时，动态检索可能有价值。若问题和资料结构比较固定，先改进切分、检索和重排通常更直接。应在同一问题集上比较回答质量、调用次数和延迟，再决定是否增加智能体步骤。
放在一起理解
继续核对原始资料
概念说明参考项目文档与源码；场景选择和接入建议为 AI Manuals 的整理判断。版本、价格、许可及接口细节请以项目当前说明为准。
- 项目文档与说明docs.langchain.com
- LlamaIndex 官方文档docs.llamaindex.ai