企业官网建设流程全解析

同样接知识库，为什么有的系统只会"查一次"，有的会"边查边想"？

经典 RAG 是"查一次字典再答题"的线性管道，Agentic RAG 是"会思考的调研员"——先查、不够再查、换着来源查、验证过再写报告。两者的区别不在"检不检索"，而在谁决定怎么检索。这篇把两种架构的流程、差异、典型实例和选型讲透。

01经典 RAG：一次检索的线性管道

经典 RAG 的流程是一条写死的单向链路：用户问题 → 向量化（Embedding）→ 检索（向量检索 + BM25 混合）→ 重排取 Top-K → 把检索片段拼进 Prompt → 大模型生成回答。

这条链路上没有任何"判断"环节。检什么关键词、检几轮、结果够不够用，都是流程预设好的——问题进来，检索一次，结果直接进 Prompt，生成结束。它无决策、无状态、无回溯，优点也来自这里：快、便宜、稳定，适合单轮事实性问答。

图1：经典 RAG（管道） vs Agentic RAG（决策循环）

02Agentic RAG：会思考的调研员

Agentic RAG 把大模型放到了"决策者"的位置。它不再被动执行一次检索，而是进入经典的Thought → Action → Observation循环：模型先思考"这个问题要不要检索、该搜什么"，然后执行动作（调检索器、改写查询、调用 Web 搜索或 SQL 工具），拿到观察结果后评估"信息够不够"——不够就进入下一轮，直到自认为充分才生成最终答案。

这个循环带来两个关键能力：多跳检索（第一轮结果不够，改写查询再检第二轮）和工具路由（向量库查不到，可以转去 Web 搜索、查数据库、跑计算器）。代价是更慢、Token 消耗更高、工程更复杂，还要额外防死循环。

03四个核心差异

维度

经典 RAG

Agentic RAG

决策主体管道预设，检索环节无判断

LLM 自主决策：检什么、检几轮、要不要换工具

流程结构单轮线性，retrieve-once

多轮循环，可回溯、可反思

查询处理用户原问题直接检索，多跳问题易断

查询改写、多跳检索、多源交叉验证

工具范围只有检索器

检索器 + Web 搜索 + SQL + 计算器等

代价快、省、稳

慢、贵、复杂，需防死循环与决策失控

04一个多跳检索实例

问一个问题：“2024 年诺贝尔物理学奖得主的博士导师是谁？”

经典 RAG拿原问题去检索，第一轮通常只命中"获奖者是某某"，拿不到导师信息。由于流程没有第二轮，模型要么答不上来，要么开始编造——这是它最典型的失败场景。

Agentic RAG第一轮检索拿到获奖者后，模型评估发现信息不足，把"获奖者 + 博士导师"改写成新查询进入第二轮检索，拿到导师信息后再交叉验证，最后组织答案。整个过程是"检索 → 评估 → 再检索 → 生成"，每一轮都在修正查询。

图2：多跳检索——同一个问题的两种走法

05生产落地怎么选？

单轮事实性问答、知识库客服、FAQ 这类场景，经典 RAG 又快又稳又便宜，没必要上 Agentic。跨文档交叉、多跳推理、需要动态决定数据源的复杂任务，才值得付出 Agentic 的代价。

实践中的主流做法是混合路由：先做意图分类，简单问题直接走经典 RAG 管道，复杂问题才进入 Agent 循环。Agentic RAG 落地时还要配四层防护：最大迭代步数（如 max_steps=10）硬性终止、重复动作哈希检测、动态反思引导换策略、超限降级兜底，避免模型在"检索-评估"循环里空转。

图3：选型决策 + Agentic 四层防护

06面试追问：3 道高频题

Q1：RAG 和 Agentic RAG 的核心区别是什么？

区别不在"检不检索"，而在"谁决定怎么检索"。经典 RAG 是预设管道：问题进来，向量化、检索、重排、拼 Prompt、生成，全程无判断，检索一次完成。Agentic RAG 把大模型放到决策者位置，进入 Thought → Action → Observation 循环：自主决定要不要检索、改写成什么查询、检索几轮、是否换工具，信息不足就继续迭代。一句话：经典 RAG 是"查一次字典再答题"，Agentic RAG 是"会思考的调研员"，先查、不够再查、验证过再写报告。

Q2：Agentic RAG 的执行流程怎么讲？

核心是四步循环。第一步思考：模型根据当前状态判断下一步做什么，是否调用检索或工具。第二步行动：执行动作，比如调用检索器、改写查询、发起 Web 搜索或 SQL 查询。第三步观察：接收外部返回结果，评估信息是否足够支撑回答。第四步决策：信息不足就带着新查询回到第一步继续循环，信息充分则整合结果生成最终答案。整个流程依赖工具注册、停止词截断（防止模型脑补执行结果）、观察结果回灌上下文这三个工程机制，才能保证每一步数据都来自真实环境。

Q3：Agentic RAG 生产落地有哪些难点？怎么防死循环？

难点集中在三处：一是慢和贵，多轮循环的 Token 消耗和延迟远高于经典 RAG；二是检索质量不可控，首轮召回差时模型可能反复检索同一查询；三是决策失控，模型可能在"检索-评估"里空转。防死循环用四层防护：硬性限制（max_steps=10，超限强制终止）；重复检测（对 Action+Observation 组合做哈希指纹，连续相同触发切换策略）；动态反思（注入"你已重复 3 次，请换方法"的 meta-prompt 引导重新规划）；降级兜底（循环超限时给出尽力而为的回答或转人工）。

落地总结

RAG 与 Agentic RAG 不是替代关系，是分工关系：简单问题经典 RAG 又快又稳，复杂问题 Agentic RAG 能多跳检索、工具路由、自我纠错。生产上按意图混合路由，给 Agent 循环配齐步数限制、重复检测、反思与降级四层防护。面试时把"谁决定怎么检索"和调研员类比讲清楚，再补一个多跳实例和落地防护，就是完整回答。

关注我们，一起把技术讲明白（寻码札记）