一句话总结：Agentic RAG = 检索从"一次就完事"变成"Agent 自主决策"——能路由、能改写、能评估、能自纠；能力从 Corrective RAG（不相关就纠错）爬到 Multi-Agent（多 Agent 分工），代价是 2-4 倍 token 与延迟，只在复杂问题子集上值得。

能力阶梯（面试默写）

级别	模式	核心
L1	基础 RAG	检索一次就生成
L2	Corrective RAG	打分 → 不相关则纠错（改查询重搜）
L3	Self-Reflective RAG	生成后自检 → 重写重搜
L4	Adaptive RAG	Agent 自主决定是否检索
L5	Multi-Tool Agent	向量/SQL/Web 灵活切换
L6	Multi-Agent	多 Agent 分工协作

三个关键组件

• 查询路由器：按特征路由——精确数值→SQL、语义理解→向量库、实时信息→Web
• 查询改写：一个查询改写成多个变体（不同角度）提升召回
• 相关性评估：小模型对每条检索结果打分，不过关触发纠错

Self-RAG vs CRAG（拉分点）

• Self-RAG（Asai 2023）：训练 LLM 生成反射 token控制检索与生成——是否需检索 / 段落相关 / 生成是否被证据支持 / 整体效用
• CRAG：三个 Agent 分工——相关性评估 Agent + 查询改写 Agent + 外部知识检索 Agent（不足时 Web 搜索补）

代价与选型（成熟判断）

• Agentic RAG 比单次 RAG 多 2-4 倍 token 与延迟
• 值不值：只对可度量的问题子集（复杂/多跳/易错）值得；简单问题用基础 RAG
• 实现载体：LangGraph 状态图 + 循环（对接 [AI-Agent-框架内部机制](/学习笔记/AI技术/AI Agent/AI-Agent-框架内部机制)）

面试要点

• 能默写六级阶梯
• 能讲路由/改写/评估三组件
• 能区分 Self-RAG（反射 token）vs CRAG（多 Agent 分工）
• 能主动提代价权衡（2-4 倍成本，只用于复杂问题）——成熟度分

相关概念

• [AI-Agent-RAG生产化与混合检索](/学习笔记/AI技术/AI Agent/AI-Agent-RAG生产化与混合检索) — 检索底座
• AI基础概念-RAG检索增强生成 — RAG 原理
• [AI-Agent-核心设计模式](/学习笔记/AI技术/AI Agent/AI-Agent-核心设计模式) — ReAct 循环
• [AI-Agent-框架内部机制](/学习笔记/AI技术/AI Agent/AI-Agent-框架内部机制) — LangGraph 实现