阅读收获
- 了解传统 RAG 的基本概念
- 了解 Agentic RAG 的基本概念
- 了解企业级 Agentic RAG 实现（Chatbox 项目）
- 了解强化学习驱动的 Agentic RAG（Search-R1）
传统 RAG (Native RAG)
核心概念：检索 + 生成，需要两个方面的提升：
- 更好的知识检索机制
- 增强模型对知识的利用能力
离线流水线：文档加载 → 文本切分 → 向量化 → 存储 在线流水线：用户查询 → 文档检索 → Prompt 构建 → LLM 生成
Agentic RAG
传统 RAG 的局限
- 单次流水线，缺乏自适应检索策略
- 缺乏任务分解能力
- 工具编排不足，仅限于相似度搜索
- 证据利用浅层
- 对多跳问题适应性差
定义
“让 LLM 作为’智能体（Agent）‘充当控制器，结合一组工具执行’思考→行动→观察’的循环”
Agentic RAG 实际上就是指在传统 RAG 基础上，加入了 Agent 组件的 RAG 系统，使其具有自主决策能力。
实现路径一：Prompt Engineering + Tool（工具驱动）
以开源项目 Chatbox（36.8k stars）为例：
工具设计：
query_knowledge_base: 语义搜索候选文档get_files_meta: 获取文件元数据，用于策略决策read_file_chunks: 精准读取特定片段list_files: 浏览完整文件目录
关键洞察：“给模型配备合适的工具和策略性的 Prompt，就能展现出令人惊叹的智能” — 从被动信息检索变为主动决策过程。
实现路径二：强化学习驱动（Search-R1）
通过 RL 训练模型自主决定何时/搜索什么内容，通过策略优化实现”推理-搜索-推理”循环。
对比表
| 方法 | 决策机制 | 搜索能力 | 适应性 | 实现复杂度 |
|---|---|---|---|---|
| 传统 RAG | 固定流水线 | 单次检索 | 低 | 低 |
| Prompt 驱动的 Agentic RAG | 基于规则 | 多次检索 | 中 | 中 |
| RL 驱动的 Agentic RAG | 学习优化 | 自适应多次检索 | 高 | 高 |
资源
- GitHub: Hands-On-Large-Language-Models-CN (第 8 章)
- Chatbox 项目（36.8k stars）
- Search-R1 项目