引言
前文：Search-o1技术解读-智能RAG助力O1推理模型突破知识盲区提到的智能RAG其实就是Agentic RAG，那么Agentic RAG与传统RAG有什么不同？今天这篇小作文简要介绍2者的差异。
RAG 是一种结合信息检索与生成模型的技术，主要分为传统 RAG 和 Agentic RAG 两种形式。它们在设计、应用和能力上存在显著区别。
传统 RAG
1、基本概念： 传统 RAG 通过将文档向量化存储在向量数据库中，用户查询时将问题向量化，从数据库中检索相关文档，然后将问题与检索结果交给生成模型（LLM）进行总结和生成响应。
2、流程：
检索：一次性从数据库中获取相关文档。 生成：基于检索到的信息生成文本响应。
具体流程可以参考如下动画：
3、优缺点：
优点：简单低成本，交互次数少。 缺点： 仅能进行一次检索和生成，无法根据上下文动态搜索更多信息。 对复杂查询缺乏推理能力。 无法根据用户问题调整策略，容易导致生成结果不理想。
4、应用场景： 适合需要回答具体问题或生成基于事实内容的场景，例如问答系统。
Agentic RAG
以下动图展现了Agentic RAG与传统 RAG 的区别。Agentic RAG核心思想是在RAG的每个阶段引入Agent行为。
1、增强的能力： Agentic RAG 在传统 RAG 基础上引入了 AI 智能体，强调自主决策（agentic capabilities）和动态交互能力。
2、动态交互流程：
查询重写：智能体对用户查询进行重写，例如修正拼写错误。 额外信息获取：智能体判断是否需要额外的信息，可能通过搜索引擎或者调用工具获取必要数据。 内容检查：在生成内容后，智能体会检查答案的相关性和有效性。如果不符合要求，系统会返回第一步，修改查询并继续迭代，直到找到相关内容或告知用户问题无法回答。
以下动图简要示意了每个步骤：
步骤1-2) agent重写查询（删除拼写错误等）
步骤3-8) agent决定是否需要更多上下文。
如果不是，则将重写的查询发送给 LLM。 如果是，agent会找到最佳的外部源来获取上下文，并将其传递给 LLM。 步骤9) 得到了response。
步骤10-12) Agent检查答案是否相关。
如果是，则返回响应。 如果不是，请返回步骤 1。
这个过程持续几次，直到得到response或者系统承认它无法回答查询。
3、优缺点：
优点：能够处理复杂的对话、多轮交互和动态调整检索策略，适应复杂用户需求。 缺点：相较于传统 RAG，成本更高，处理时间更长。
4、应用场景： 更适合用于复杂对话系统、虚拟助手等场景，能够有效处理多轮对话和复杂查询。
总结
传统 RAG 侧重于信息的检索与生成，适用于简单场景；而 Agentic RAG 则通过引入智能体，增强了自主决策和动态交互能力，适应更复杂和多变的用户需求。虽然 Agentic RAG 成本较高，但其灵活性和实用性在许多应用中具有明显优势。