跳到主要内容

Agentic RAG

本章 14 道题 · 完整目录

原论文与工程近似

Self-RAG 等名称对应特定研究方法。增加一个“让通用模型判断要不要检索”的分支,并不等于完整复现原论文的训练机制。题目里的伪代码用于说明思路,接入真实检索系统前仍需实现数据权限、空结果、超时和预算耗尽分支。补充阅读:RAG 检索与重排。

Q96:Agentic RAG 相比标准 RAG 增加了哪些核心能力?​

详解​

五大核心能力:

能力标准 RAGAgentic RAG
查询重写无(直接用原查询检索)自动重写、扩展、多查询
多步检索单次检索可多轮检索,动态调整
工具选择仅向量检索根据问题选择向量/SQL/Web 搜索
推理与检索结合检索完才推理边推理边检索(ReAct 模式)
结果验证无验证可验证结果再决定是否继续检索

Agentic RAG 架构流程:

用户查询
│
▼
┌──────────────┐
│ 查询分析 Agent │ ──→ 理解意图 → 决定检索策略
└──────────────┘
│
▼
┌──────────────┐ ┌──────────────┐ ┌──────────────┐
│ 向量检索 Agent │ │ Web 搜索 Agent │ │ SQL 查询 Agent │
└──────────────┘ └──────────────┘ └──────────────┘
│ │ │
└────────┬───────────┴───────────┬────────┘
▼ ▼
┌──────────────┐ ┌──────────────┐
│ 结果验证 Agent │ ──→ │ 生成 Agent │
└──────────────┘ └──────────────┘
│
▼
最终答案

代码示例(Agentic RAG 循环):

def agentic_rag(query, max_retrievals=3):
context = []
# 查询重写:理解意图并分解
plan = planner(query) # 生成检索计划

for step in plan:
if step.type == "vector_search":
docs = vector_search(step.query)
context.extend(docs)
elif step.type == "sql_query":
rows = query_sql(step.query)
context.append(rows)
elif step.type == "web_search":
pages = web_search(step.query)
context.extend(pages)

# 结果验证:判断信息是否足够回答
if is_sufficient(context, query):
break

return generate_answer(query, context)

答题要点:用对比表格说明五大核心能力,画架构图展示多 Agent 协作,展示代码示例。

Q97:什么时候应该用 Agentic RAG 而不是标准 RAG?​

详解​

使用 Agentic RAG 的场景:

场景示例原因
查询复杂/多意图“比较我司和竞品上季度营收并分析原因”需要多步检索+推理
数据源多样需要同时查文档、数据库、网页需动态选择工具
检索结果不确定一次检索可能不够需验证后决定是否继续检索
需要多跳推理“A 公司的 CEO 曾在哪家大学就读”需多轮检索串联

使用标准 RAG 的场景: 简单事实问答(“公司请假流程”)、知识库固定(企业内部 FAQ)、低延迟要求(实时客服)。

答题要点:用对比说明适用/不适用场景,强调“复杂度决定选型”。

Q98:Agentic RAG 中,查询重写有哪些具体策略?​

详解​

五大重写策略:

  1. 同义扩展:添加同义词和相关词。“LLM” → “LLM 大语言模型 Large Language Model”
  2. HyDE:先生成假设答案,用答案 Embedding 检索(比问题 Embedding 匹配度更高)。
  3. 多查询分解:一个复杂查询拆成多个子查询并行检索,结果合并。
  4. Step-back:先检索上位概念,再具体检索。
  5. LLM 重写:用 LLM 将口语转书面、补充上下文。

答题要点:说出至少 4 种重写策略,重点说明 HyDE 的原理和效果。

Q100:多跳检索(Multi-hop Retrieval)中,如何处理中间结果的错误传播?​

详解​

错误传播问题:多跳检索中,第一跳的错误结果会误导后续跳,错误被放大。

五层防错策略:

策略说明
置信度追踪每跳记录置信度,低置信度触发重新检索
冗余检索关键中间实体用多查询检索,交叉验证
结构化存储将中间结果存入结构化存储,便于验证
引用验证每跳结果保留来源,最终答案可追溯
中间人复核关键跳引入独立 Agent 验证中间结果

答题要点:说明错误传播机制,展示防错策略(置信度追踪+交叉验证)。

Q101:如何评估 Agentic RAG 的检索质量?​

详解​

六大评估指标:

指标定义衡量
Precision@K检索结果中相关文档占比检索是否精准
Recall@K相关文档被检索到的比例检索是否全面
MRR(平均倒数排名)第一个相关文档的排名检索排序质量
NDCG带位置的排序质量排序是否符合预期
Answer Accuracy最终答案正确率端到端效果
Context Relevancy上下文与问题的相关度上下文质量

答题要点:说出至少 3 个指标并解释定义,说明离线评估(指标)+ 在线评估(用户反馈)结合。

Q102:Agentic RAG 中,如何防止检索到错误或过时的信息?​

详解​

四道防线:

防线措施
数据更新定期更新知识库,过期文档标记废弃
时效性过滤元数据带时间戳,优先检索新文档
来源验证交叉验证多源,标记未验证信息
置信度门槛低置信度回答时说明不确定性,或转人工

答题要点:说出至少 3 道防线,强调交叉验证和置信度门槛。

Q103:Agentic RAG 与 Graph RAG 有什么关系?​

详解​

两者互补关系:

维度Agentic RAGGraph RAG
检索方式动态决策检索策略图结构关系检索
知识表示文档/向量实体-关系图
优势灵活、多步推理关系挖掘、多跳精准
结合方式Agent 调用图检索工具图检索作为 Agent 的检索工具之一

结合架构:Agent 分析查询 → 决定用向量检索还是图检索(或两者)→ 图检索能回答关系型问题(“谁影响了谁”“A 的供应链有哪些”)→ 向量检索回答语义相似问题。

答题要点:用对比表格说明区别,展示结合架构(Agent 动态选择检索工具)。

Q104:如何为 Agentic RAG 设计一个多数据源(文档+数据库+网页)的检索架构?​

详解​

多源检索架构:

用户查询
│
▼
┌──────────────┐
│ 查询路由器 │ ──→ 判断需要哪些数据源
└──────────────┘
│
├──→ 向量检索(文档知识库)
├──→ SQL 查询(结构化数据库)
└──→ Web 搜索(实时信息)
│
▼
┌──────────────┐
│ 结果融合器 │ ──→ 去重、排序、按相关度融合
└──────────────┘
│
▼
生成答案

关键设计点:数据源注册(描述+Schema)、路由决策(LLM 判断或规则)、结果融合(权重+去重)、权限控制(各数据源独立鉴权)。

答题要点:画多源架构图,说明路由器(route)和融合器(merge)两个关键节点。

Q105:Agentic RAG 中,如何设计检索结果的排序(Reranking)?​

详解​

两级排序流程:

  1. 初筛(Recall Stage):向量检索返回 Top-100,保证召回率。
  2. 重排(Precision Stage):用重排模型(Cross-Encoder)精排 Top-10,提高精度。

Cross-Encoder 重排示例:

from sentence_transformers import CrossEncoder

reranker = CrossEncoder("BAAI/bge-reranker-large")
pairs = [(query, doc) for doc in top_100_docs]
scores = reranker.predict(pairs)
top_10 = [doc for doc, score in sorted(zip(docs, scores), key=lambda x: -x[1])[:10]]

重排策略对比:

策略原理效果
Cross-Encoder拼接 query+doc 打分最准,但慢
Bi-Encoder分别编码算相似度快,但不如 Cross-Encoder
LLM 重排LLM 判断相关性灵活,但成本高

答题要点:说明初筛+重排两级流程,展示 Cross-Encoder 代码,对比三种重排策略。

Q106:如何避免 Agentic RAG 的“检索幻觉”(生成内容与检索结果不符)?​

详解​

六步控制法:

步骤措施
检索充足确保检索到足够相关信息
上下文约束Prompt 明确“只基于检索内容回答”
引用标注生成时标注来源,无来源内容标注不确定
事实校验生成后与检索内容比对,不一致则修正
置信度输出低置信度时如实说明
数据质量从源头保证检索数据质量

答题要点:说出至少 4 个控制措施,强调“上下文约束+事实校验”两个核心。

Q107:Agentic RAG 的延迟优化有哪些手段?​

详解​

延迟构成与优化:

延迟环节优化手段
查询分析轻量模型做意图识别(不必用大模型)
检索向量索引(HNSW)、缓存常见查询
推理决策减少不必要的多轮 ReAct,预判结果
生成Streaming 输出、模型分级

关键优化:常见问题缓存(Redis 命中即返回)、检索与推理并行(边检索边生成候选答案)。

答题要点:说出至少 3 个优化手段,重点说明缓存和并行。

Q108:如何给 Agentic RAG 设计评测数据集?​

详解​

数据集构建方法:

类型示例来源
单跳问答“公司请假流程?”知识库FAQ
多跳问答“A 公司的 CEO 曾在哪就读?”综合知识构建
比较类“对比两个方案的优劣”人工设计
否定类“哪个功能不存在?”人工设计(测防幻觉)
时序类“去年 Q3 营收?”历史数据

答题要点:说明数据集要覆盖多跳、比较、否定、时序等复杂类型,强调覆盖面。

Q109:Agentic RAG 与传统的 Reranking 有什么不同?​

详解​

维度传统 RerankingAgentic RAG
目的对检索结果重排(排序优化)动态决策检索策略(流程优化)
手段Cross-Encoder 打分重排Agent 决定查什么、查几次
层面检索后处理检索前中后全流程
关系是 Agentic RAG 的一环可包含 Reranking 作为组件

答题要点:用对比表格说明差异——Reranking 是“排序优化”,Agentic RAG 是“全流程优化”。

Q110:请设计一个企业级 Agentic RAG 系统(含知识管理、检索、评估)​

详解​

完整架构设计:

【知识管理层】
企业文档 → 解析 → 分块 → Embedding → 向量库(Milvus)
↓
知识版本管理(定期更新)

【Agent 编排层】(LangGraph)
查询 → 意图分析 → 检索策略决策
├→ 向量检索(内部知识)
├→ SQL 查询(业务数据)
└→ Web 搜索(外部信息)
↓
结果融合 → 答案生成 → 引用标注

【评估层】
离线评估(检索指标+答案准确率)
+
在线监控(用户反馈、幻觉检测、延迟)

技术选型:LangGraph(编排)、Milvus(向量库)、LangSmith(评估)、OpenTelemetry(可观测)。

答题要点:展示三层架构(知识管理/编排/评估),说明技术选型和安全考量(权限、审计)。