首页 / Agentic RAG（智能体RAG）
📚 Agentic RAG（智能体RAG） 是什么？
Agentic RAG 就像让AI在查资料时还能动脑子——先想清楚需要什么，再去找，拿到结果还能继续追问。
⚡ 一句话秒懂
Agentic RAG 就像让AI在查资料时还能动脑子——先想清楚需要什么，再去找，拿到结果还能继续追问。
📖 举个故事
张三第一次用AI查年报。他问「公司去年赚了多少钱？」AI答不上来——它没联网。张三只好自己打开网页，复制数字，贴进对话框。
后来，他用了带Agentic RAG的工具。AI先自己琢磨：「用户问的是净利润，我得去查年报第5页。」它主动调取财务数据库，找到数字，还发现去年净利润增长15%，顺势补充了分析。张三惊讶道：「你比我还了解我在找什么！」
💡 类比理解
暂未补充。
🧩 真实例子
暂未补充。
🛠️ 怎么实际使用
你正在搭建一个客服机器人。客户问「我的订单到哪了？」传统RAG只搜一次文档，可能返回一堆无关信息。
用Agentic RAG：AI先判断「这是查询物流状态」，然后自动调用物流API查单号，得到结果后看看够不够——如果只有「已发货」，它会再查预计送达日期，最后整合成一句「您的包裹已发出，预计周五送到」。
整个流程AI自己走完，你不用写判断逻辑。只需告诉它「有需要就查物流系统」。
📚 进阶原理
传统RAG是「单次检索+生成」——用户提问，检索文档，拼给LLM回答。Agentic RAG引入了循环：LLM可以多次调用检索工具，根据前一步结果决定下一步要查什么。
技术上，这由LLM的function calling能力驱动。模型输出一个JSON格式的工具调用请求，系统执行后把结果喂回对话上下文。Agentic RAG的核心区别是：检索不再是单次，而是嵌入在agent推理循环里的反复动作。