今天，分享一篇長達 35 頁的最新Agentic RAG 綜述。

論文想解決的核心問題是，當今天大型語言模型（LLMs）在處理動態、實時查詢時依賴靜態訓練數據導致的過時、不準確輸出、幻覺等問題。

它從最基本原則和 RAG 范式的演變開始，介紹 Agentic RAG 的 7 種架構。還重點介紹在 5 種應用場景的效果，如醫療保健、金融和教育等行業中的關鍵應用，且非常詳細。

Agentic RAG 原理

首先，來看 Agentic RAG 是如何破局傳統的限制，成為新的探索方向呢。

一般來說，普通常 Agent 包括 4 部分組成：

• LLM（具有定義的角色和任務）：作為 Agent 主要推理引擎，幫助用戶查詢，生成響應，并保持連貫性。
• 記憶（短長期記憶）：在互動過程中的上下文和依賴數據，短期記憶會跟蹤對話狀態，而長期記憶具備長期存儲數據能力。
• 規劃（反思與自我評價）：可以通過自我反思和自我評判引導 Agent 的迭代推理。
• 工具（如向量搜索、網絡搜索、API 等）：僅靠上面三個部分 Agent 還是過于簡單，通過工具擴展來提高 Agent 能力，如調用外部資源，實時獲取數據等。

然后，Agentic RAG 帶來了新的 4 種機制。

1. 自我反思

通過對其輸出的正確性、風格、效率進行批判，不斷驗證結果差距來進一步增強。像人類一樣具備自我修煉、評估檢索到的結果進行迭代改進。

2. 規劃

規劃機制，它能夠通過分解復雜任務為子任務并動態調整執行順序，適應動態環境，處理不確定任務，推動創新應用。具備這種能力，在動態和不確定的場景中進行多跳推理和迭代問題解決至關重要。

3. 工具使用 

工具可以擴展 Agent 能力的變為至關重要，讓Agent 系統變得更靈活，能力更強。

4. 多 Agent 協作

意思是多個不同 Agent 在一起協同作業，分工明確每個 Agent 負責具體任務。類似在企業團隊共同合作完成任務，這些效率高效。

Agentic RAG七種框架

1. 單Agent架構

單 Agent 架構在處理簡單任務時表現出色，但在處理復雜任務時效率較低。其優勢在于簡單的設計和高效的資源優化，這種架構強調簡單，輕松的任務。

案例：客戶支持

2. 多Agent架構

多Agent 架構在處理復雜任務時表現優異，能夠并行處理多種查詢類型，提高系統的可擴展性和準確性。這種架構難點在于，你要如何挑戰在多個 Agent 間的協調復雜性和計算開銷。

案例：多領域研究助手

3. 分層代理架構

分Agent 架構，適合較為復雜的多面查詢場景表現最佳，通過優先級分配，提高了整體響應的準確性和連貫性。比較有挑戰地方，如何維護多級代理間的通信和資源分配。

案例：金融分析系統

4. 自我糾正架構

核心思想是通過動態評估檢索文檔的相關性并進行修正，從而提高響應的準確性和相關性。

案例：學術研究助手 提示：生成式AI研究的最新發現有哪些？ 綜合響應：“生成式AI的最新發現突顯了擴散模型的進步、用于文本到視頻任務的強化學習以及大規模模型訓練的優化技術。欲了解更多細節，請參閱2024年NeurIPS和2025年AAAI發表的研究。”

5. 自適應架構

非常核心的理念是，它可以根據查詢的復雜性動態調整檢索策略的能力。

6. 圖RAG的Agent 框架

核心原理，它可以動態分配檢索任務給專門代理的能力，利用圖形知識庫和文本文檔。是一種比較新穎的Agent 架構，可以將圖知識庫與非結構化文檔檢索相結合。從而增強了檢索增強生成（RAG）系統，提高了推理和檢索的準確性。

GeAR概覽，用于檢索增強生成的圖增強Agent。

7. 企業級架構

提供了企業級應用的相對完整解決方案，企業比較典型場景“發票支付工作流”。

Agentic RAG 實際應用場景，成功案例

下面是，Agentic RAG 系統在實際應用中的成功案例，也展示了 Agentic RAG的優勢所在。

• Twitch利用Agentic RAG系統優化廣告銷售流程 
• 醫療機構使用Agentic RAG系統生成患者病例摘要 
• 法律機構使用Agentic RAG系統進行合同審查 
• 保險公司使用Agentic RAG系統自動化汽車保險理賠處理 
• 高等教育機構使用Agentic RAG系統輔助研究人員生成研究論文摘要

好了，以上是這篇 35 頁綜述。