🔍 RAG 与 Agent 结合

检索增强生成（Retrieval-Augmented Generation, RAG）是连接 Agent 与外部知识的关键桥梁。当 Agent 需要超出模型训练数据范围的知识时，RAG 提供了按需检索、动态注入的能力。

📖 RAG 基础回顾

标准 RAG 流程遵循"检索 → 增强 → 生成"三步范式：

RAG 核心组件

组件	功能	典型技术选型
文档解析器	将原始文档拆分为可索引的文本块（Chunk）	Unstructured, LlamaParse, LangChain Document Loaders
嵌入模型	将文本块编码为向量表示	text-embedding-3, BGE, Jina Embeddings, Cohere Embed
向量数据库	存储嵌入向量并支持高效 ANN 检索	Pinecone, Weaviate, Milvus, Qdrant, Chroma
检索器	根据查询向量搜索最相关的文档块	相似度搜索、混合搜索（向量+关键词）
重排序器	对检索结果进行精排，提升相关性	Cohere Rerank, BGE Reranker, Cross-Encoder
生成器	基于检索到的上下文生成最终答案	GPT-4o, Claude, Gemini, 开源模型

🤖 Agentic RAG：动态检索策略

传统 RAG 是一次性检索：查询 → 检索 → 生成。而 Agentic RAG 将 RAG 嵌入 Agent 的推理循环中，使检索变成 动态、多轮、自适应 的过程。

🔗 多跳检索（Multi-Hop Retrieval）

复杂问题往往需要多步推理 + 多次检索才能获得完整答案。多跳检索将复杂问题分解为子问题链，逐步检索和推理。

多跳检索实现方案

• IRCoT（Interleaving Retrieval with CoT）：将检索步骤交错插入思维链中
• Self-Ask：Agent 自行生成后续子问题并逐一检索
• ReAct + RAG：在 ReAct 循环中，将"检索"作为一种 Action，根据 Observation 决定是否需要进一步检索
• Graph RAG：基于知识图谱的实体关系遍历实现多跳推理

📋 结构化数据检索

Agent 经常需要从结构化数据源（数据库、API、表格）中检索信息，这要求 RAG 系统支持 Text-to-SQL 或 API 调用能力。

数据源类型	检索方式	Agent 能力要求	典型场景
关系型数据库	Text-to-SQL	Schema 理解、SQL 生成、结果解读	业务报表查询、订单查询
REST API	Function Calling	API 参数推断、响应解析	天气/股票实时数据
表格/CSV	Pandas/DataFrame 操作	代码生成、数据分析	数据统计、趋势分析
知识图谱	Cypher/SPARQL 查询	图查询生成、关系推理	实体关系查询、知识推理

📊 RAG 在 Agent 中的应用模式

应用模式	描述	检索时机	复杂度
前置检索	在推理开始前一次性检索所有相关文档，作为静态上下文	推理前 1次	低
按需检索	Agent 在推理过程中遇到信息缺口时触发检索	推理中 N次	中
迭代检索	根据前次检索结果的质量反馈，自动优化查询并重新检索	多轮迭代	高
并行多源检索	同时检索向量库、数据库、API 等多个来源，融合结果	并行 1次	高
混合检索	结合上述多种模式，根据任务特征动态选择策略	动态	极高