- 综合排序
- 最热优先
- 最新优先
- 来自专栏自然语言处理
Agentic RAG 解释
RAG（检索增强生成）通过提供来自外部知识源的相关背景来帮助提高 LLM 答案的准确性和可靠性。 Agentic RAG 是高级 RAG 版本，它使用 AI 代理来更加自主地行动。 Agentic RAG 执行以下操作 查询理解、分解和重写 检索策略选择 知识库管理 结果综合与后处理 迭代查询和反馈循环
44200编辑于 2025-01-09 - 来自专栏AgenticAI
Agentic RAG：超越传统RAG与案例分享
本文先讨论 Agentic RAG 常见范式，然后推荐一些流行的 Agentic RAG 开发示例：Nvidia 的 Agentic RAG 案例和基于 LlamaIndex 的 Agentic RAG 而 Agentic RAG 则会： 识别信息鸿沟 主动寻找补充信息源 尝试重新生成更优答案 2. Agentic RAG 资源推荐 1. Nvidia Agentic RAG Nvidia 展示的 Agentic RAG 只是一个示例，参考了如下 3 篇论文实现。 路由 (Adaptive-RAG[1]). LlamaIndex Agentic RAG DeepLearning.ai 的课程Agentic RAG[4]，由 LlamaIndex 的创始人 Jerry Liu 讲授，描述了一种使用 LlamaIndex 如何构建 Agentic RAG 的流程。
3.2K31编辑于 2025-03-18 - 来自专栏自然语言处理
LLM Agent和 Agentic RAG 的最佳综述
Agentic RAG系统的详细分类，展示了单代理、多代理、分层、纠正、自适应和图基RAG等框架。 本文探讨了从RAG到Agentic RAG的演进，展示了： 代理模式：驱动系统适应性和智能的核心原则。 分类：Agentic RAG架构的全面分类。 可视化表示 单代理RAG图 多代理RAG图 分层RAG工作流 基于图的RAG工作流 ADW工作流 Agentic RAG框架的比较分析 下表提供了三种架构框架的全面比较分析：传统RAG、Agentic Agentic RAG: 通过查询重构和自查询加速检索增强生成。 Agentic RAG: 结合RAG与代理以增强信息检索。
1.4K11编辑于 2025-01-22 - 来自专栏架构驿站
一文读懂 Agentic RAG 技术点滴
虽然标准 RAG 在处理少量文档的简单查询方面表现出色，但 Agentic RAG 更进一步，成为问答领域的强大解决方案。 —02 — 什么是 Agentic RAG ？ Agentic RAG 凭借其创新设计，展现出以下关键特性和显著优势，具体可参考： 1、协调问答过程 Agentic RAG 通过将问答过程分解为可管理的步骤，分配适当的代理执行任务 —03 — Agentic RAG 是如何工作的呢 ？ Agentic RAG（代理增强检索生成）的运作方式体现了对传统检索增强生成（RAG）流程的智能化升级。 在现代 AI 应用中，尤其是在处理多源知识和实时数据时，Agentic RAG 的灵活性成为其核心优势。Agentic RAG 的核心在于其多层次架构，融合了代理智能、检索技术和生成模型。
2.5K01编辑于 2025-04-04 - 来自专栏AI SPPECH
31：RAG已死？2026 Agentic RAG 3.0核心升级点全解析
GraphRAG、Agentic Retrieval三驾马车重塑RAG技术。 Agentic RAG 3.0的架构设计 4.1 核心架构 4.2 核心组件 5. 传统RAG vs Agentic RAG 3.0 5.1 能力对比 5.2 性能对比 6. 本节为你提供的核心技术价值 掌握2026年Agentic RAG 3.0的核心升级点，通过1M上下文、Multimodal GraphRAG、Agentic Retrieval三驾马车重塑RAG技术，提升系统性能和准确性 传统RAG vs Agentic RAG 3.0 5.1 能力对比 特性 传统RAG Agentic RAG 3.0 提升幅度 上下文长度 4k-16k 1M+ 60x+ 多模态支持 有限 全面 100% 总结与建议 11.1 总结 Agentic RAG 3.0通过1M+长上下文、Multimodal GraphRAG和Agentic Retrieval三驾马车，彻底重塑了RAG技术，解决了传统RAG的诸多痛点
1.1K20编辑于 2026-04-05 - 来自专栏DeepHub IMBA
Agentic RAG：用LangGraph打造会自动修正检索错误的 RAG 系统
而Agentic RAG 的思路截然不同，它不急着从检索结果里硬挤答案，而是先判断一下拿回来的东西到底有没有用，如果没用则会重写查询再来一轮。 本文要做的就是用 LangGraph 做流程编排、Redis 做向量存储，搭一个生产可用的 Agentic RAG 系统。涉及整体架构设计、决策逻辑实现，以及状态机的具体接线方式。 Agentic RAG 的解法是在流程中插入检查点：智能体先判断要不要检索；检索完了有评分环节确认相关性；不相关就重写查询再试；如此循环直到拿到合格的上下文，或者把重试次数耗尽为止。 文档评分逻辑 edges.py 里的 grade_documents 是整个 Agentic 机制的核心。 检索完成后它会逐个审视返回的文档：这东西跟用户问的相关不相关？能不能帮上忙？ 总结 标准 RAG 把检索当黑盒，查询丢进去、文档出来，至于相不相关全凭运气。Agentic RAG 打开这个黑盒在关键位置加了质量控制。
73210编辑于 2026-01-12 - 来自专栏自然语言处理
PageIndex：构建无需切块向量化的 Agentic RAG
基于推理的RAG提供了更好的选择：让大语言模型能够思考和推理，找到最相关的文档部分。受AlphaGo启发，Vectify AI提出使用树搜索来执行结构化文档检索。 PageIndex 是一个文档索引系统，它从长文档构建搜索树结构，为基于推理的RAG做好准备。 由Vectify AI开发。 json数据 那PageIndex的亮点在哪里呢，其实在最后一部分“使用PageIndex进行基于推理的RAG”的实现，相比之前的Advanced和Modular RAG，Agentic RAG更加智能 案例研究：Mafin 2.5 Mafin 2.5是一个专为财务文档分析设计的最先进基于推理的RAG模型。 它基于PageIndex构建，在FinanceBench基准测试中达到了惊人的98.7%准确率——显著优于传统的基于向量的RAG系统。
2.9K10编辑于 2025-04-23 - 来自专栏AI SPPECH
109：数据投毒在RAG与Agentic中的防护
作者： HOS(安全风信子) 日期： 2026-04-08 主要来源平台： GitHub 摘要： 本文详细介绍数据投毒攻击的原理、攻击类型和防御策略，重点关注RAG和Agentic系统中的数据投毒防护 通过本文，您将了解数据投毒的危害，掌握识别和防御数据投毒攻击的方法，为构建安全的RAG和Agentic系统提供保障。 目录 本节核心技术价值 1. 实战案例 5.1 案例一：RAG系统知识库投毒 5.2 案例二：Agentic系统训练数据投毒 5.3 案例三：RAG与Agentic混合系统数据投毒 6. 与Agentic混合系统数据投毒 背景：某公司的系统结合了RAG和Agentic技术，攻击者尝试通过向系统中注入恶意数据来操纵系统的行为。 建议企业和研究机构投入更多资源到数据投毒防御领域，开发更先进的防御技术和工具，为RAG和Agentic系统的安全运行提供更可靠的保障。
18110编辑于 2026-04-14 - 来自专栏架构驿站
一文读懂 Agentic RAG 数据检索范式
Agentic RAG 在各种需要深度理解和洞见的应用领域都具有巨大的潜力。 4、Agentic Enhancement（代理增强技术） Agentic Enhancement（代理增强技术）的应用赋予了 LLM 和 RAG 前所未有的智能化能力。 — 02 —什么是 Agentic RAG ？ 通常来讲，我们可以一句话对其进行概括，Agentic RAG，即“基于代理“的 RAG 实现。 与传统方法相比，Agentic RAG 的核心优势在于其创新的代理框架赋予了系统前所未有的智能化能力。 — 03 — Agentic RAG 的独特之处在哪 ？
86110编辑于 2024-11-01 - 来自专栏Elastic Stack专栏
构建智能代理：使用Elasticsearch与Langchain实现Agentic RAG
现在，我们来看一下如何使用Elasticsearch作为知识库，并使用Langchain作为代理框架来实现Agentic RAG。 让我们看看如何修改这个工具以用于RAG。Agentic RAG我最近在Elastic Cloud部署中构建了一个大型且复杂的知识库，使用了POLITICS数据集。 Agentic RAG 的一个优势是我们可以通过多个对话步骤开发答案。换句话说，更复杂的查询可以通过引导问题来设定舞台和上下文。问答变成了基于事实的对话，而不是一次性的答案生成。 测试Agentic RAG让我们通过以下查询来测试：总结2020年加州野火的联邦响应Langchain会输出中间步骤，包括 RAG_Search 函数的输入、搜索结果和最终输出。 )# 使用StructuredTool定义RAG搜索工具rag_search_tool = StructuredTool( name="RAG_Search", func=rag_search
1.3K11编辑于 2024-12-17 构建十亿级向量检索与智能体生态：由 RAG 到 Agentic RAG 的架构实践
随着业务向多步推理、动态任务规划以及跨知识库协作检索演进，传统的 RAG（检索增强生成）架构暴露出明显的性能与运维瓶颈。 部署集成化 RAG 解决方案与原生智能体平台 为应对上述挑战，腾讯云联合 Elastic 提供了一套从底层基础设施到敏捷上层开发的全链路解决方案，推动应用由传统 RAG 向 Agentic RAG（智能体驱动的 RAG）转型。 统一化搜索平台架构：将原本割裂的多个组件整合为 1 个集成的 RAG 解决方案。 基础设施与技术效能指标： 服务器资源大幅缩减：在“十亿级向量”的 RAG 应用实战中，系统架构由管理 4 个不同系统、400+ 台服务器，精简至单一集成方案仅需 30 台服务器，实现 90%+ 的成本降低
26720编辑于 2026-04-12一文讲清如何做好Workflow、RAG、Agent、Agentic RAG的技术选型！干货满满，不要错过
只不过，暂时Agent解决Workflow的效果还不错，但是Agentic RAG做得一般 还是之前最常见的问题：请问明天成都天气怎么样，我明天飞机到成都，要去旅游。 我们最后说下Agent 与 RAG 的关系： Agentic RAG 传统的RAG在使用过程中，大家慢慢发现一些问题： 先查向量库； 再 Top-K； 然后塞 Prompt； 最后生成； 流程非常清楚， 很多人开始以为Agentic RAG是一种“新的RAG形态”，但你仔细拆就会发现： 数据怎么存？没变 数据要不要处理？还得清洗 表格怎么处理？还是工程 引用怎么校验？依旧规则 ...... Agentic RAG 是：人设计能力边界 → 模型在边界内调度流程。 这意味着什么？它有效解决了传统RAG在应对复杂、多跳查询时，因流程僵化而导致的信息割裂、证据不全等顽疾。 未来，Agentic RAG的发展方向将是框架化、组件化，通过提供更成熟的“技能”（Skills）库和调度框架，降低其应用门槛，让开发者能更聚焦于业务逻辑而非底层实现。
42210编辑于 2026-04-14Agentic RAG构建：腾讯云ES与Elastic联合方案驱动业务价值
应对GAI应用复杂性与传统RAG局限 当前GAI应用面临链路调试复杂且不安全、传统RAG能力缺失的双重挑战。 Elastic Agentic RAG引擎：四大进阶能力支撑 Elastic Agentic RAG引擎需具备四大核心能力（来源：Elastic首席解决方案架构师李捷观点）： 数据融合：整合知识库、 量化业务成果：三大指标验证方案价值 应用Elastic Agentic RAG方案可实现显著业务回报（关键结论基于原文数据）： 客户和员工满意度提高69% 总拥有成本降低50% 收入中断减少 生态协同：集成腾讯云AI生态（混元大模型、DeepSeek）、Elastic Agentic RAG构建能力（数据融合、查询分析、LLM集成），提供“稳定基础设施+敏捷上层开发”模式，通过OpenTelemetry 实现可观测性监控审计，支持自定义RAG与AI助手触发剧本。
1700编辑于 2026-04-27AI智能知识库-传统RAG的末日-从RAG到Agentic Full-text Retrieval模式
好了，那么接着我的疑问是Agentic Full-text Retrieve这种模式和Agentic RAG两种模式又有什么区别？ RAG到Agentic RAG本身的一个技术升级。 所以你也可以简单理解Agentic RAG是结合了Agent任务规划分解，记忆，多轮执行能力的RAG机制。 我们还是拿前面如何搭建知识体系的问题来说明。 这种全局视角是传统RAG做不到的。 最后简单总结： 传统RAG：像一个只会查字典的学生，查到什么用什么。 Agentic RAG：像一个会研究的学者，知道如何全面调研、交叉验证、系统整理。 对于你的需求（基于2000篇个人博客回答问题，保持风格一致），做法2 > Agentic RAG > 传统RAG，因为： 做法2无需向量化，直接访问完整文档 Agentic RAG虽然有Agent能力，
48111编辑于 2025-11-17- 来自专栏小白维基
「翻译」使用 Llama-index 实现的 Agentic RAG-Router Query Engine
接下来就跟我一起将 agents 概念引入传统的 RAG 工作流，重新构建自己的 Agentic RAG 系统吧。 在本文中，我会介绍如何使用 Llama-index 实现基本的 Agentic RAG 应用。我将在接下来的几周发布一系列（共四篇）有关 Agentic RAG 架构的文章，本文是这个系列的第一篇。 Agentic RAG 还能使 RAG 系统具有工具调用的能力，并且这些工具可以是自定义函数。 RAG； 在文档集中具有多步推理能力的 Agentic RAG。 下图是本文要实现的路由式查询引擎的基本结构： 项目环境初始化 创建一个名为 agentic_rag 的目录作为本系列文章的项目目录，再在 agentic_rag 内部创建一个名为 basics 的目录作为本文代码实践的工作目录
1.1K10编辑于 2024-06-14 如何更好的应用AI辅助写作06-从RAG到Agentic RAG的实践方法论参考
今天继续聊AI辅助写作的内容核心还是重新归纳整理下我前面谈过的基于AI辅助工具，将RAG转化为Agentic RAG或FullText Research模式的智能AI辅助写作实践。 这篇文章详细探讨了AI智能知识库从传统RAG（检索增强生成）向Agentic模式演进的技术路径。 本章节将深入剖析四种截然不同的技术范式——传统RAG、智能体RAG（Agentic RAG）、图谱RAG（GraphRAG）以及本方法论所采用的“智能体文件系统问答”（Agentic File System 1.2 范式二：智能体RAG（Agentic RAG）——检索过程的智能化升级 Agentic RAG是对传统RAG的一次重要改进。其核心特征是引入了AI智能体（Agent）来优化和编排检索过程。 System QA > Agentic RAG > GraphRAG > 传统RAG。
48010编辑于 2025-12-29腾讯云ES联合Elastic：以Agentic RAG技术构建高效AI应用平台
部署Agentic RAG技术解决方案 腾讯云与Elastic（2019年合作，数据截至2025年3月）联合推出Elasticsearch服务，以“稳定基础设施+敏捷上层开发”模式提供Agentic RAG 技术栈： 技术架构：用户查询→Elastic搜索→LLM响应（混元模型）→应用跟踪（RAG仪表板、LLM日志/指标），支持复杂任务下推、声明式语言、100% MCP函数调用。 量化应用效果与客户价值 标杆案例：首个“十亿级向量”RAG应用，服务器从400+降至30，运营成本降低90%+（来源：腾讯云Elasticsearch解决方案案例）。
21110编辑于 2026-04-12- 来自专栏用户12403993的专栏
2026-04-25: 从 RAG 到 Agentic Search + Tech Graph 的落地复盘
日期与进度概览日期：2026年4月25日进度：把“AI辅助开发”从「单点RAG」升级为「AgenticSearch+TechGraph（静态约束）」的可持续工程范式，并对齐后端项目的_tech_graph /交付形态关键词：AgenticSearch、RAG、TechGraph、Mermaid、拓扑协议、边界与契约、漂移校验今日摘要结论1（适配性）：代码工程里，传统RAG容易出现索引滞后+语义碎片化；以文件工具为核心的 ）2)关键产出/决策（Why+What）决策：在代码工程场景里，将协作范式定位为AgenticSearch（动态检索）+TechGraph（静态架构约束）的双闭环，而不是把“私有知识库协作”默认等同于RAG [[RAG子流程]]U2--"::branches"-->RAGU1--"::branches"-->T2S[[Text2SQL子流程]]U2--"::branches"-->T2SRAG--"加载"- ->RAG_DOC[>10_flow_rag.md]T2S--"加载"-->T2S_DOC[>11_flow_text2sql.md]3.2用“失败路径”来约束协作：不是只写HappyPath图谱不只画
6810编辑于 2026-04-25 - 来自专栏技术专栏全家桶
一文看懂Agentic RAG+MCP架构，开启智能体检索新时代！
RAG检索，哪些任务需要MCP工具就能完成，因此如何让模型做区分，是在RAG中用MCP还是在MCP中用RAG，谁先谁后，单智能体还是多智能体来处理，本篇文章就是要为以上问题总结出一个答案，如有偏颇请指正 一、RAG基础回顾 上一篇文章已经详细介绍过RAG的工作原理，有需要的小伙伴可以跳转： 一文带你了解RAG核心原理！ 二、Agentic RAG闪亮登场 AgenticRAG就是来解决传统RAG这些痛点的。它在RAG的流程里加了个AI智能体，能像个“指挥官”一样协调检索和生成这两个环节。 简单来说，它打破了传统RAG那种静态单次检索的局限。 关注公众号【阳光宅猿】回复【AIGC】领取最新AI知识文档大全，包含RAG、Agent、模型微调等多种技术!!! 四、Agentic RAG与MCP结合的系统架构 要把Agentic RAG和MCP结合起来，得设计一个合理的架构，让AI智能体可以通过MCP服务器获取知识，再把这些知识融入到生成答案的流程里。
63310编辑于 2026-02-03 - 来自专栏tencent cloud
【Agentic RL专题】一、LLM agent 与 agentic RL
com相信初学的小伙伴会对 LLM agent以及 Agentic RL 两个名词有点混淆，因此，对于这两个名词的解释将作为专题第一章，带你深入理解 LLM agent 以及 Agentic RL的区别 @toc一、为什么我们需要 Agentic RL？ 在系统的学习agentic RL之前，我们需要去了解两个问题：① 什么是agent ② LLM agent 与 agentic RL之间有什么联系过去几年，LLM 的飞速发展让语言理解与生成达到了惊人的水平 而当这种强化学习与大型语言模型（LLM）结合——让语言模型从“说得对”变成“做得对”——就形成了一个新的研究分支： Agentic Reinforcement Learning (Agentic RL) ——出发，逐步理解了 Agentic RL（智能体强化学习） 的核心思想：从语言到行动：传统的 LLM 只会被动回答，而 Agentic RL 让它学会“感知—思考—行动—反思”，成为真正的智能体（Agent
1.7K10编辑于 2025-11-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号