今天，分享一篇长达 35 页的最新Agentic RAG 综述。
论文想解决的核心问题是，当今天大型语言模型（LLMs）在处理动态、实时查询时依赖静态训练数据导致的过时、不准确输出、幻觉等问题。
它从最基本原则和 RAG 范式的演变开始，介绍 Agentic RAG 的 7 种架构。还重点介绍在 5 种应用场景的效果，如医疗保健、金融和教育等行业中的关键应用，且非常详细。
Agentic RAG 原理
首先，来看 Agentic RAG 是如何破局传统的限制，成为新的探索方向呢。
一般来说，普通常 Agent 包括 4 部分组成：
- LLM（具有定义的角色和任务）：作为 Agent 主要推理引擎，帮助用户查询，生成响应，并保持连贯性。
- 记忆（短长期记忆）：在互动过程中的上下文和依赖数据，短期记忆会跟踪对话状态，而长期记忆具备长期存储数据能力。
- 规划（反思与自我评价）：可以通过自我反思和自我评判引导 Agent 的迭代推理。
- 工具（如向量搜索、网络搜索、API 等）：仅靠上面三个部分 Agent 还是过于简单，通过工具扩展来提高 Agent 能力，如调用外部资源，实时获取数据等。
然后，Agentic RAG 带来了新的 4 种机制。
1. 自我反思
通过对其输出的正确性、风格、效率进行批判，不断验证结果差距来进一步增强。像人类一样具备自我修炼、评估检索到的结果进行迭代改进。
2. 规划
规划机制，它能够通过分解复杂任务为子任务并动态调整执行顺序，适应动态环境，处理不确定任务，推动创新应用。具备这种能力，在动态和不确定的场景中进行多跳推理和迭代问题解决至关重要。
3. 工具使用
工具可以扩展 Agent 能力的变为至关重要，让Agent 系统变得更灵活，能力更强。
4. 多 Agent 协作
意思是多个不同 Agent 在一起协同作业，分工明确每个 Agent 负责具体任务。类似在企业团队共同合作完成任务，这些效率高效。
Agentic RAG七种框架
1. 单Agent架构
单 Agent 架构在处理简单任务时表现出色，但在处理复杂任务时效率较低。其优势在于简单的设计和高效的资源优化，这种架构强调简单，轻松的任务。
案例：客户支持
2. 多Agent架构
多Agent 架构在处理复杂任务时表现优异，能够并行处理多种查询类型，提高系统的可扩展性和准确性。这种架构难点在于，你要如何挑战在多个 Agent 间的协调复杂性和计算开销。
案例：多领域研究助手
3. 分层代理架构
分Agent 架构，适合较为复杂的多面查询场景表现最佳，通过优先级分配，提高了整体响应的准确性和连贯性。比较有挑战地方，如何维护多级代理间的通信和资源分配。
案例：金融分析系统
4. 自我纠正架构
核心思想是通过动态评估检索文档的相关性并进行修正，从而提高响应的准确性和相关性。
案例：学术研究助手 提示：生成式AI研究的最新发现有哪些？ 综合响应：“生成式AI的最新发现突显了扩散模型的进步、用于文本到视频任务的强化学习以及大规模模型训练的优化技术。欲了解更多细节，请参阅2024年NeurIPS和2025年AAAI发表的研究。”
5. 自适应架构
非常核心的理念是，它可以根据查询的复杂性动态调整检索策略的能力。
6. 图RAG的Agent 框架
核心原理，它可以动态分配检索任务给专门代理的能力，利用图形知识库和文本文档。是一种比较新颖的Agent 架构，可以将图知识库与非结构化文档检索相结合。从而增强了检索增强生成（RAG）系统，提高了推理和检索的准确性。
GeAR概览，用于检索增强生成的图增强Agent。
7. 企业级架构
提供了企业级应用的相对完整解决方案，企业比较典型场景“发票支付工作流”。
Agentic RAG 实际应用场景，成功案例
下面是，Agentic RAG 系统在实际应用中的成功案例，也展示了 Agentic RAG的优势所在。
- Twitch利用Agentic RAG系统优化广告销售流程
- 医疗机构使用Agentic RAG系统生成患者病例摘要
- 法律机构使用Agentic RAG系统进行合同审查
- 保险公司使用Agentic RAG系统自动化汽车保险理赔处理
- 高等教育机构使用Agentic RAG系统辅助研究人员生成研究论文摘要
好了，以上是这篇 35 页综述。
