Agentic RAG

智能体检索增强生成（Agentic RAG）是一种先进的人工智能（AI）架构，通过集成自主AI 智能体来增强传统检索系统。标准 RAG 流水线按线性的“检索并生成”顺序运行，而 Agentic RAG 则赋予大语言模型（LLM）智能编排器的角色。智能体能够独立分析用户提示，判断是否需要外部信息，拟定多个搜索查询，评估检索到的数据，并反复完善研究，直至形成全面、准确的答案。通过运用函数调用和工具使用能力，这类系统可以动态地将查询路由到各类数据库、API 和分析工具；处理复杂的多步骤问题时，还能显著减少LLM 幻觉。

智能体 RAG 系统的工作方式#

Agentic RAG 的核心创新在于循环和推理能力。领先的智能体 AI 框架会将这一过程组织成动态、自主的工作流：

• 查询规划与路由：智能体将复杂问题拆解成更小、更易处理的子任务，并将每项子任务路由到最合适的工具或向量数据库。
• 迭代检索：与静态检索不同，智能体会检查获取的文档。如果上下文信息不足，智能体会重新制定搜索策略并再次查询。
• 工具集成：智能体可以编写并运行代码、进行数学运算，或调用机器学习（ML）模型，即时合成新数据。

智能体 RAG 与标准 RAG 的比较#

要实现稳健的生成流水线，区分 Agentic RAG 与其基础概念至关重要：

• 标准检索增强生成（RAG）：只执行一次流程。它根据语义相似度获取文档并生成回答。面对需要通过多个步骤综合不同数据源的复杂逻辑时，它难以胜任。
• 智能体 RAG：加入决策能力和循环机制。智能体会评估检索结果的质量，并在最终生成回答之前触发后续搜索或调用其他工具。
• 多模态 RAG：专注于检索多种数据类型（图像、文本、视频）。智能体 RAG 可以控制多模态 RAG 流水线，决定何时搜索视觉数据库而非文本文档。

实际应用#

Agentic RAG 正在改变各行各业，通过自动化深度研究和复杂故障排查，完成模仿人类分析推理的任务。

• 企业知识综合：在企业环境中，智能体可能收到这样的提示：“总结我们第三季度的业绩，并与主要竞争对手的最新财报进行比较。”智能体会自主查询内部财务数据库、实时搜索网络上的竞争对手备案文件、使用计算器工具分析数据，并起草一份全面的简报。
• 自主质量检测：在制造业中，可以让智能体找出装配故障的根本原因。它可以调用计算机视觉（CV）模型检查实时摄像头画面、查询历史维护日志，并根据视觉和文本证据综合生成诊断报告。

将视觉 AI 集成到智能体工作流中#

视觉模型是 Agentic RAG 系统与物理世界交互时的强大感知工具。例如，智能体可以使用 Ultralytics YOLO26从图像或视频流中动态获取视觉上下文，以回答用户查询。开发者可以使用 Ultralytics Platform管理这些自定义视觉工具的数据标注和训练。

下面的 Python 示例演示 AI 智能体如何以编程方式调用 Ultralytics YOLO26，从图像中提取结构化观察结果，为下一步推理收集事实依据。

from ultralytics import YOLO

# Initialize YOLO26 for the agent's visual retrieval tool
model = YOLO("yolo26n.pt")

# The agent invokes the model on an image to gather visual facts
results = model("https://ultralytics.com/images/bus.jpg")

# The agent parses the detected objects to formulate its next query or action
visual_context = [model.names[int(c)] for c in results[0].boxes.cls]
print(f"Agent Observation: I currently see {', '.join(visual_context)}.")

将功能强大的视觉模型连接到推理引擎后，Agentic RAG 能够弥合静态知识检索与动态现实世界空间智能之间的差距。若要深入了解自主系统不断发展的现状，斯坦福 AI 指数报告提供了对智能体能力的全面追踪。