你简历上写了做过 RAG 项目。面试官抬头看了我一眼然后问我说“那你说说看Agentic RAG 和普通 RAG在文档处理这块儿到底有什么本质上的区别呢”我心里咯噔了一下但嘴上没有停下来。“呃Agentic RAG 就是嘛……在普通 RAG 的基础上面加了一个智能体就是 Agent让它自己去决定要不要检索、检索几次大概就是这样吧”面试官笑了笑没说话端起水杯喝了一口。那种沉默的感觉比骂我一顿还要难受。后来复盘的时候我才想明白。我把 Agentic RAG 理解成了RAG 加上一层 Agent 的壳但实际上呢它们的区别从文档处理那个阶段就已经分道扬镳了。根本不是检索完之后才去加个智能体这么简单的事情。今天这篇文章呢就把这道题给彻底讲透了吧免得大家跟我一样在二面的时候栽在这种看着简单实际上送命的问题上面。✦ ✦ ✦一、先搞清楚普通 RAG 是怎么去处理文档的普通 RAG也叫 Naive RAG它的文档处理流程嘛基本就是一条流水线从头到尾走一遍就结束了。原始文档 → 固定规则切块(Chunking)→ 向量化(Embedding)→ 存入向量库 ↓用户提问 → 向量化 → 相似度检索 Top-K → 拼接成 Context → 丢给 LLM 生成答案这套流程呢有几个比较明显的特点。第一个切块方式是死的。不管文档是合同、代码还是财报往往都是用固定长度比如说 512 token然后加一点重叠来去做切分很少去考虑文档本身的语义边界是什么样的。第二个检索只做一次。不管这次检索出来的结果好不好用都不会回头再去查一遍。第三个没有反思的机制。LLM 拿到什么 context 就用什么不会去判断这些资料到底够不够用来回答这个问题。第四个文档的结构信息基本上就丢失了。表格啊、标题层级啊、图表说明啊这些结构化信息在切块的那一刻就被拍扁成了纯文本。问题也是很直接的。如果一个答案分布在文档的三个不同章节里面普通 RAG 大概率只能捞到其中的一块那答案自然是残缺不全的。✦ ✦ ✦二、Agentic RAG不是加个智能体而是把整个链路变成可以决策的闭环面试官后来点破了我。他说的是“你说的’加个智能体’其实只描述了检索阶段的一个表象而已。Agentic RAG 真正的分水岭呢在于它把文档处理和检索都变成了一个带反馈、可以迭代、可以规划的过程而不是一条单向的流水线。”那我们来拆开看一下区别到底在哪几个层面上面。1. 文档处理阶段从固定切块到语义感知加上结构化索引普通 RAG 的切块逻辑基本就是在那数字符数。Agentic RAG 系统呢则倾向于用下面这些方式。语义分块也就是 Semantic Chunking是根据句子和段落之间的语义相似度来动态决定切分点的而不是死磕固定长度。层级化索引就是 Hierarchical Indexing。先给文档去生成摘要索引比如说每章一个摘要向量然后再挂上细粒度的段落索引。检索的时候可以先去定位到章节再往下钻到具体的段落。这就是很多人说的 RAPTOR 之类的树状索引思路。结构感知解析呢就是把表格转成结构化的 JSON 或者 Markdown 表格去单独索引图表的 caption 也单独去处理标题层级保留为元数据而不是一股脑全部拍平成纯文本。还有文档间关系建模。比如说用知识图谱或者引用关系把这份合同引用了另一份附件这种跨文档的关联也给存下来而不是让每个文档都孤立地存在。也就是说呢Agentic RAG 从文档进入系统的那一刻开始处理方式就已经跟普通 RAG 不一样了。它是在为后面可能需要的多轮、多角度检索这件事提前去做准备。2. 检索阶段从一次到位到迭代式检索这是大多数人包括曾经的我最容易联想到的部分。但是理解要更细一些才行。查询改写就是 Query Rewriting。Agent 会先去判断用户的问题是不是清晰的、是不是需要去拆解然后再去生成更适合用来检索的查询语句。查询分解就是 Query Decomposition。一个比较复杂的问题比如说对比这三份财报的营收增长趋势并给出结论会被拆成多个子问题分别去检索最后再汇总到一起。多跳检索就是 Multi-hop Retrieval。第一轮检索结果不够的时候Agent 会根据已经有的信息去生成新的检索请求一直到信息够用为止。这一步在普通 RAG 里面是根本不存在的。检索策略动态切换呢就是根据问题的类型Agent 可能会选择向量检索、关键词检索也就是 BM25或者去 SQL 查询结构化数据又或者直接调用某个 API而不是只有查向量库这一种手段。3. 反思与自我评估Agentic RAG 会去自己质疑自己这是最容易被忽略的、但其实是最核心的一个区别。普通 RAG 检索完就直接去生成答案了从来不去检查检索的质量怎么样。Agentic RAG 呢会在生成答案之前插入一个自我评估的环节。它会去问自己一些典型的问题比如这些检索到的文档真的能回答用户的问题吗是不是需要换个检索关键词再试一次有没有互相矛盾的信息需要进一步去核实这套机制在学术上面有专门的名字。比如说 Self-RAG就是让模型自己去判断要不要检索、检索的内容够不够用。还有 CRAG也就是 Corrective RAG对检索结果去做质量打分质量差的话就触发修正流程比如说换用网络搜索。4. 规划能力把回答问题变成完成一个任务普通 RAG 的目标很单一就是检索加上生成。Agentic RAG 的 Agent 呢会先去做任务规划把回答问题给拆解成一系列的步骤。比如说用户问题这份产品需求文档和上个月的版本比改了哪些核心逻辑Agent 的规划① 定位并检索本月版本的相关章节② 定位并检索上月版本的对应章节③ 分别提取核心逻辑点④ 做差异比对⑤ 生成结构化的变更说明这五步里面呢只有第一步和第二步勉强能算是检索第三步到第五步都是普通 RAG 完全不具备的能力。这也是为什么说 Agentic RAG 不是RAG 加 Agent的简单叠加而是用 Agent 的规划和工具调用能力重新去定义了整个信息获取与处理的过程。✦ ✦ ✦三、一张表把区别讲清楚维度普通 RAGAgentic RAG文档切块固定长度 overlap语义感知切块、层级化索引结构化信息基本丢失全部拍平成文本表格/标题/图表单独建模保留检索次数通常只有一次支持多轮迭代检索查询处理直接用原始问题检索查询改写、分解为子问题检索策略单一通常是向量检索动态选择向量/关键词/SQL/API结果校验无直接拼接生成自我评估质量不够则重新检索任务能力只能一问一答能做任务规划、多步推理工具使用无可调用外部工具、API、代码执行总结Agentic RAG 和普通 RAG 的分野呢从文档进入系统的那一刻就已经开始了而不是检索完之后才去加个智能体。普通 RAG 是一条单向的流水线固定切块、一次检索、直接生成中间没有任何反馈。Agentic RAG 呢则把文档处理包括语义切块、层级化索引、结构化信息保留还有检索包括查询分解、多跳迭代、策略切换都变成了一个带反馈、可以迭代的闭环。生成之前还会去做自我评估判断资料够不够、要不要重新检索。一句话来概括的话Agentic RAG 不是RAG 加 Agent 的壳而是用 Agent 的规划、反思和工具调用能力把一次性检索加生成升级成了可以自主决策、可以自主纠错的任务执行过程。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】