普通 RAG 是固定流程:切分、向量化、检索、重排、拼上下文再让模型回答;agentic RAG 把检索变成 agent 的一个动作,由它自己决定搜什么、搜几次、要不要换工具,chunk 和向量化可能还在,但不再是必经的固定步骤。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
普通 RAG 是一条固定流水线
材料里的观点普通 RAG 的结构是:用户提问 → 改写查询或识别意图 → 从知识库或数据库检索 → 重排和过滤 → 拼装上下文 → 模型生成答案 → 标注引用。技术重点就落在切分、向量化、混合检索、重排、元数据过滤、权限控制、引用和新鲜度这些环节上1。它的本质是让 AI 知道得更多,但主要还是在回答,不会自己去做事1。立正把 RAG 拆成六个动作:上下文管理、切分、判断、评估、诊断、编排,并强调切分不只是 chunking2。
Agentic 的做法是让 agent 自己决定怎么找
当问题本质是跨系统、跨实体的精确追踪时,用相似度去近似关系会吃亏,需要先把语义层和数据关系建模出来,再让 agent 在这个结构上工作3。一个具体信号是:Claude Code 团队早期也用过向量数据库,后来发现让 agent 自己搜索效果更好,现在用的基本就是 glob 和 grep 这种最简单的命令4。所以 agentic RAG 里 chunk、向量化、索引、排序仍然可能出现,但它们从固定流水线降级为 agent 可选的工具之一;agent 也可以直接读整个文件、用命令行搜、或者把整段长上下文交给模型。判断标准是这套做法在解决什么问题,而不是它叫什么名字4。
该学的是检索这件事,不是这套流程
AI推演分块加向量化加检索这套固定流程是 2023 年的产物:那时上下文窗口小,模型也不太会调用工具4。名词是地图上的地标,动词是你在地标之间走的路;只收集地标不知道怎么走路,哪儿也到不了5。所以如果你在学 RAG,值得先问两个问题:如果模型强十倍,这套做法还重要吗;它到底在解决什么问题,我现在还有这个问题吗4。懂了信息检索,学 RAG 只要一个周末4。
现有片段没有给出 agentic RAG 的完整工程实现细节,chunk 和向量化在具体系统里是否保留,取决于该系统的检索设计。
出处
- 1The Six Levels of AI Products
给出普通 RAG 的完整流程和技术重点,适合核对固定流水线包含哪些环节。
- 2AI的正确打开方式:不学概念,学动作
把 RAG 拆成六个动作,适合理解为什么切分不只是 chunking。
- 3学术界火了十年的Graph数据库,为什么等到 AI 才开始落地?|向量数据库为什么是死胡同?|纯技术创业有多爽?
说明相似度检索在跨系统关系问题上为什么吃亏,适合理解 agentic 转向的动因。
- 4AI替你做出来以后,你还会什么?|哥大客座课程回放
用 Claude Code 团队从向量库转向 agent 自己搜索的例子,说明流程可能被替代。
- 5为什么所有人都在学名词,但真正拉开差距的是动词
名词与动词的关系,适合判断该学检索本身还是学这套固定流程。
追问2026年10月14日
agentic RAG 里怎么判断该让 agent 自己搜,还是直接走固定检索流程?
先看这个子任务能不能用一小段输入完整定义、输出能否独立验收、并行收益是否大于复制上下文和重新综合的成本;三项都接近“是”才让 agent 自己搜,否则走固定流程。
按任务能否独立定义和验收来分
判断标准不是“agent 更聪明所以让它自己搜”,而是这个检索子任务本身是否可分解。立正在讲 subagent 该不该开时给了三个问题:子任务能否用一小段输入完整定义、输出能否独立验收而不依赖主线中不断变化的判断、并行获得的速度或覆盖面是否真的大于复制上下文和重新综合的成本。三项都接近“是”,才值得交给 agent 自主处理;检索、转码、测试、数据扫描和独立事实核查通常符合,而需要一条连贯判断链的工作默认由主 Agent 端到端完成1。放到 RAG 上,事实核查、多来源比对这类边界清楚、对错可验的检索适合放开;而“用户到底想问什么、该召回哪几段”这种依赖上下文的判断,更适合固定流程或由主流程统一决定。
固定流程本身不是错,错在把它当终点
材料里的观点立正讲过,切分、embedding、top-k 召回这套流程听起来完整、让人心安,但到了真实场景常常没用甚至适得其反:该固定 size 还是让模型决定、embedding 是否必要、召回 5 段还是 20 段、同样内容分 5 段还是 20 段,这些都没有答案,换个说法问同一问题命中率就下降2。所以固定检索流程适合问题形态稳定、召回标准明确的场景;一旦问题形态多变、需要多轮追问或换工具,就该把检索交给 agent 决定搜什么、搜几次。判断依据是问题形态是否稳定,而不是哪种做法更先进。
用真实问题当验收,而不是靠感觉选
AI推演与其先争论架构,不如拿一批真实问题分别跑两种方式,看哪个答对。PuppyGraph 签合同前有个固定环节:让客户的利益相关者随机提问,所有问题都能答对才认为有希望拿下合同3。你可以照这个思路,收集十来个真实用户问题,固定流程和 agent 自主检索各跑一遍,记录哪些问题答错、错在召回还是判断。哪类问题在固定流程下反复失败,就是该放开给 agent 的信号;哪类问题 agent 反而搜偏,就说明它需要更明确的输入定义。
这些判断来自讲 subagent 分工和 RAG 流程的材料,没有专门针对 agentic RAG 架构选型的完整论述;具体阈值要按你的问题分布实测。
出处
- 1More agents不等于more intelligence|我让AI更努力,它给我写出了311GB的平庸
讲清什么任务适合交给 agent 自主处理、什么该由主流程端到端完成,是判断分工的核心依据。
- 2AI的正确打开方式:不学概念,学动作
说明固定 RAG 流程在真实场景的失效点,帮助理解为什么不能默认走固定检索。
- 3学术界火了十年的Graph数据库,为什么等到 AI 才开始落地?|向量数据库为什么是死胡同?|纯技术创业有多爽?
提供用真实问题当验收标准的具体做法,可迁移到两种检索方式的对比测试。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- RAG 值不值得学习?它有什么局限性?
RAG 值得学的不是那套流程名词,而是它背后“怎么让模型用上你的上下文”这件事;只学 pipeline 容易停在简历打勾,判断不了它在你任务里值不值得用。
- 问答系统怎么做
问答系统的难点不在检索流程本身,而在判断卡、来源编号和检索粒度这些细节:让模型只挑来源、不编链接,并容忍回答慢一点。
- 想了解 RAG 怎么实现,从哪里开始读?
先读那篇讲 AI 产品六个层次的文章,它把 RAG 的完整链路和真正该学的技术点讲清楚了;再配合那期讲“不学概念、学动作”的视频,避免一上来就陷进切分和 embedding 的流水线细节。
- 如果公司要做 AI Native 转型,我看到目前比较常用的方式:
- step 1:让团队接受并会用 AI
- step 2:重构协作方式和角色定义
- step 3:让更多人 End-to-End own 项目,并改激励机制
- step 4:用新指标衡量人与 AI 协作后的生产力
其中 1 和 2 前两步各家都在做;后两步方向一致,但目前没有业界公认的最佳实践,围绕这个,我想了解:
1 和 2 具体的含义,以及 3 和 4 在探索过程中有哪些确定性的事情?
前两步是让员工真正接受并用好 AI,再改协作、角色和激励;后两步较确定的是:端到端负责、按特质组队、把判断外化成上下文,以及用业务结果而非产出速度衡量。
- 如何让团队接受并会用 AI?
别把“教会每个人”当成用 AI 的前提。先用小团队解决真实问题、留下可查的结果,再让愿意学的人顺着自己的问题进来。
- 没有技术背景的小白,如果学好AI,给出清晰可实践的步骤。
非技术背景学 AI,重点不是背概念,而是练三件事:把隐性标准写成文档、给对上下文、把需求说成可验收的结果。