Agentic RAG 调研指南
系统梳理智能体增强 RAG 的模式、架构、应用、挑战与实现资源。
- Star 数
- ★ 1.7k
- 最近更新
- 12 个月前
- FA 评分
- 证据不足
30 秒速览
- 运行形态
- 可在哪里用
- 兼容但需适配
- 上手难度
- 高 · 需要较重的基础设施
- 典型场景
- 研究人员准备进入 Agentic RAG 领域时，用其分类、参考论文和相关概念建立文献阅读路线。
- 不适合
- 需要开箱即用、可部署的 Agent 运行时的团队
- 希望按仓库内步骤直接复现实验或基准的读者
- 对许可证合规有硬性要求的商业采用者
这个 Agent 能做什么，适合哪些场景？
这是《Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG》论文的配套资料库，而非可直接运行或部署的智能体产品。其核心内容包括反思、规划、工具使用和多智能体协作四类智能体模式，以及提示链、路由、并行化、编排器—工作器和评估器—优化器五类工作流。资料库还归纳了单智能体、多智能体、分层、纠错、自适应、图增强 RAG 和智能体文档工作流等架构，并比较传统 RAG、Agentic RAG 与 ADW。输出形式主要是 README 中的说明、对比表、架构图、论文与教程链接，以及指向外部 Colab 笔记本和示例仓库的实现索引。它适合研究选型、概念学习和方案设计，但没有提供统一的本地运行时、API、CLI、部署清单或可验证的端到端实现。
资料库本身不执行检索、调用模型、运行智能体或生成业务结果；它组织和说明 Agentic RAG 相关知识。内容定义 Reflection、Planning、Tool Use、Multi-Agent Collaboration 等模式，讲解 Prompt Chaining、Routing、Parallelization、Orchestrator-Workers 和 Evaluator-Optimizer 工作流，并描述 Single-Agent RAG、Multi-Agent RAG、Hierarchical Agentic RAG、Corrective Agentic RAG、Adaptive Agentic RAG、Agent-G、GeAR 与 Agentic Document Workflows。实现索引列出了 LangChain、LangGraph、LlamaIndex、FAISS、Chroma、Redis、Amazon Bedrock、Vertex AI、AutoGen、Weaviate、crewAI 等外部技术及其笔记本或仓库链接。读者最终获得的是分类框架、适用场景、优缺点、图示和外部实现入口，而不是该仓库提供的统一可执行管线。
- 研究人员准备进入 Agentic RAG 领域时，用其分类、参考论文和相关概念建立文献阅读路线。
- 架构师设计复杂问答系统时，对照单智能体、多智能体、分层、纠错、自适应和图增强方案的工作流与限制。
- 工程团队准备制作原型时，从实现表中寻找基于 LangChain、LangGraph、LlamaIndex、AutoGen 或 crewAI 的外部示例。
- 企业文档自动化团队评估合同审查、发票处理或保险理赔方案时，了解 Agentic Document Workflows 的处理阶段与适用边界。
- 医疗、教育、法律、金融或客户支持领域的产品团队进行前期调研时，查阅资料库整理的应用方向、伦理问题、延迟和扩展性挑战。
如何安装或部署这个 Agent？
源材料没有给出克隆命令、软件包安装步骤、依赖清单、运行时版本、环境变量或部署流程。该仓库被描述为论文配套资料与资源索引，无法据此提供可复制的产品安装命令；表格中的 Colab 笔记本和外部仓库分别属于不同实现，不能视为本仓库的统一安装方式。
如何使用这个 Agent？
直接阅读仓库中的分类、比较表、应用、挑战和参考资料，并按目标架构选择相应的外部 Notebook、教程或示例仓库。若要构建实际系统，需要另行采用所选示例对应的技术栈和服务，例如 LangChain、LangGraph、LlamaIndex、FAISS、Chroma、Redis、Vertex AI 或 Amazon Bedrock。源材料没有提供统一凭据要求、首个可运行命令、API 调用或端到端验证步骤，因此不能将该仓库直接作为 Agentic RAG 服务启动。
这个 Agent 有哪些优点和局限？
- 覆盖从反思、规划、工具使用到多智能体协作的基础模式，并进一步整理五种具体工作流。
- 分类范围较完整，同时讨论单智能体、多智能体、分层、纠错、自适应、图增强 RAG 和文档工作流。
- 把医疗、教育、法律、金融、客户支持和企业文档处理映射到具体应用场景。
- 提供大量论文、教程、Colab 笔记本和外部实现入口，便于继续验证不同技术路线。
- 明确列出协调复杂度、伦理与隐私、扩展性、延迟、多模态和人机协作等采用风险。
- 不是可执行的智能体实现，没有统一 API、CLI、服务入口或部署产物。
- 缺少本仓库的安装命令、依赖版本、凭据配置、测试和首个成功运行示例。
- 实现链接横跨多种框架、模型、向量库和云服务，采用者需要自行评估并整合不同依赖。
- 许可证标记为未知，复用仓库内容或资产前需要额外确认授权条件。
- README 对系统优势和应用潜力的描述较多，但没有提供统一基准、成本数据或仓库级运行证据。
这个 Agent 与同类方案有什么区别？
资料库明确比较三类方案：Traditional RAG 面向较简单的检索与生成任务，搭建快但上下文维护、动态适应和复杂推理能力有限；Agentic RAG 通过记忆、工具和多智能体编排支持多步、跨领域推理，但会增加协调复杂度；Agentic Document Workflows 面向合同、发票和理赔等端到端文档流程，能维护多阶段状态并结合业务规则，但存在资源开销和领域标准化成本。
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| Agentic RAG 调研指南 当前 | 证据不足 | 代码库 / SDK | ★ 1.7k | 12 个月前 | — | — |
| qKnow 企业知识智能平台 | 38 · 缺口较多 | 自托管服务免费版 + 付费版 | ★ 285 | 3 天前 | Java | — |
| CAMEL 多智能体框架 | 61 · 存在缺口 | 代码库 / SDK免费 + 模型费 | ★ 18k | 7 天前 | Python | OpenAI API |
| ALTA 研究交易工作台 | 83 · 表现良好 | 网页应用 | ★ 1.1k | 1 个月前 | Python | — |
FollowAgents 如何评估这个 Agent？
- 源码中未见：最小权限约束只授予完成任务所需的权限：用专用账号或只读令牌，并限定可访问的目录和仓库。
- 源码中未见：执行前用户确认开启或自行加上执行前确认；先在沙箱或测试环境跑通，确认行为后再接入真实数据。
- 源码中未见：数据流向说明运行时观察它连接了哪些外部服务（代理或防火墙日志）；弄清数据去向之前不要输入敏感数据。
- 源码中未见：敏感信息处理使用专用、低权限、可随时吊销的 API 密钥，不要复用生产凭据，也不要让密钥出现在日志里。
- 源码中未见：依赖安全审查安装前固定版本并做一次依赖扫描（如 npm audit、pip-audit）；优先放在容器里运行。
- 源码中未见：外部影响披露先弄清它会写入、发送或修改哪些外部系统，用测试账号或测试仓库验证后再接入正式环境。
- 源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
- 源码中未见：来源归属可核验从官方仓库或包源安装，核对发布者和仓库地址，避免同名仿冒包。
- 该仓库在现有材料中表现为调查论文的配套资料，而不是可静态审查的 Agent 产品或框架；不要把概念分类误当成已实现能力。
- 在采用前应取得完整修订内容，至少核查源代码、依赖锁定文件、许可证、安装与配置说明、权限和数据流文档、错误处理及维护渠道。
- 医疗、金融和法律示例只是概念性场景；材料没有证明其适合高风险生产用途，也未展示敏感数据保护或人工确认机制。