资料里没有直接定义“agentic RAG”这个词;能确定的是,立正把 RAG 拆成上下文管理、切分、判断、评估、诊断、编排这些动作,而 agentic 的核心是围绕目标反复计划、行动、观察、更新。两者叠加,就是让检索不再是一次性取数,而由智能体自己决定查什么、查完怎么用、不够再查。
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。
RAG 的价值在动作,不在名词
立正讲 RAG 时,重点不在“RAG 是什么”,而在它对应哪几件具体的事:管理上下文、切分材料、判断该取什么、评估取到的内容、诊断哪里出错、把各步骤编排起来。他认为企业愿意付溢价的是这条流水线之上的能力,只背名词会越来越不值钱1。按这个思路,agentic RAG 可以理解为:把上面这些动作交给一个能自主决策的循环去执行,而不是写死一条“先检索、再拼进提示词、再回答”的固定流程。
agentic 的关键是计划、行动、观察的循环
立正把真正的智能体核心描述为一个循环:围绕目标做计划、采取行动、观察结果、更新状态,再决定是否继续2。放到检索场景里,差别就落在“查一次就够”还是“查完看结果再决定下一步”:比如问题涉及多个实体关系时,智能体可以先查一层,发现缺信息再补查,而不是一次取回一堆片段硬答。那篇讲 Graph 数据库与向量数据库的文章里,AMD 的 IT Ops Agent 案例也体现了类似结构——在知识图谱之上接数据,生成查询后由外层审计拦截错误、把错误信息发回让它自我修正3。不过那段是转述未末的客户案例,不是立正对 agentic RAG 的专门定义。
判断标准是它能不能在真实任务里跑通
AI推演立正反复强调,AI 相关概念最终要看能不能落到真实业务里跑起来,企业买单的是系统在业务中真正运转,而不是能不能访问到某个模型4。所以判断一个系统算不算 agentic RAG,可以看它在你的任务里是否真的会自主决定检索策略、并在结果不对时调整,而不是看它贴了什么标签。一个可试的做法:拿一个需要多步查证的问题,观察系统是只检索一次就作答,还是会根据中间结果追加查询、修正方向——这能帮你区分“固定流水线加检索”和“带决策循环的检索”。
资料里没有专门讲“agentic RAG”的段落,以上是把 RAG 的动作拆解和智能体循环两处材料合起来推的,属于理解性延伸,不是立正的原话定义。
出处
- 1AI的正确打开方式:不学概念,学动作
立正把 RAG 拆成六个动词能力,是理解 RAG 实质的核心材料。
- 2用“AI产品的六个层次”,分类AI Architect学员项目,结果如何?
给出 agentic loop 的计划—行动—观察—更新结构,是理解 agentic 的部分。
- 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?
AMD 案例展示了检索加审计加自我修正的落地形态,可作具体参照。
- 4AI Agent 时代的 FDE:把模型能力落到真实业务里
说明判断 AI 系统价值要看能否在真实业务里跑通。
追问2026年10月21日
harness到底是什么
Harness 是模型外面那套让它能干活的环境:工具、文件、反馈和纠错机制。模型再强,也要靠这套“马具”才能被驾驭、稳定完成任务。
Harness 是模型外面的运行环境
立正用马和马具打比方:模型是最强的马,但还需要缰绳、马鞍、马蹄铁才能驾驭它,这一整套就是 harness1。更具体地说,Codex、Claude Code 这类工具本身就是很好的 harness,它们把模型放进一个能读写文件、调用工具、执行任务、看见反馈并继续修正的环境里2。所以 harness 不是模型本身,也不是某段 prompt,而是模型周围那套已经做好的工程。同一个任务直接交给它们往往能做出来,换成自己拼一串 API 加 prompt 却做不好,差别就在这套环境2。
它解决的是运行中的不确定性
过去做软件是把步骤和异常都预先规定好,搬到 AI 上就变成预先排好节点和 prompt,出问题再补规则;但真正折腾人的问题大量发生在系统跑起来之后,人兜底就成了系统上限2。Harness 的思路是把要达到的结果和验收标准讲清楚,让模型在环境里自己处理运行中的问题。一个具体做法是用文件保存任务状态,让 harness 读取、检查、修改,模型看见哪里没达标就继续改2。立正也提到,harness engineering 这类概念说到底是在给 agent 创造更好的环境,让它更好地用工具、多步决策、自我迭代3。
这个词本身被讲得很乱
立正提醒 harness 有狭义和广义之分:狭义是 OpenAI、Anthropic、Cursor 等公司文章里定义的那套,关注在时间、数量、人机交互上如何更 scalable;国内说 harness 时,范围往往被扩成 2024 年之后发生的所有事情4。他也说这个概念出来几个月,几乎没人能讲清楚它到底干什么,各家定义后来才逐渐收敛,而 Garry Tan 的定义是他比较喜欢的5。所以听到别人谈 harness,先分清他说的是那套运行环境,还是一个被撑大的筐。
关于 harness 的讨论多集中在概念和架构层面,具体到某个团队该怎么搭这套环境,现有片段没有给出完整方案。
出处
- 1Agent 时代的投资与生存法则|Indigo 西雅图线下分享 Notes & Insights
用马具的比喻解释 harness 是什么,以及为什么它是结构性机会。
- 2从结果确定性到通用智能:和韦晓亮老师聊AI、产品与教育
最具体地说明 harness 是模型周围的运行环境,并给出用文件保存状态的做法。
- 3戒掉ChatGPT才能成为AI指挥家/AI 革命是人类社会的第二次文艺复兴-Indigo Talk EP46
可回到原文核对这部分判断
- 4课代表立正:AI 课卖 2000 刀,偏偏坚持古法手搓
区分狭义与广义的 harness,避免把各种说法混在一起。
- 5AI已经用得很好,为什么还是怕被淘汰?
说明这个词目前定义混乱、各家说法不一,帮助判断别人在谈什么。
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
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。
- 想赚钱,增加收入,普通人是不是做自媒体更好
不一定。对多数普通人,自媒体更该先当低成本试水的事业,而不是稳赚的副业;它前期大概率不赚钱,成功标准要先定清楚。