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
- 1 年前
- 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
- 官网
- arxiv.org/abs/2501.09136 ↗ 来自 GitHub 仓库设置
- 维护状态
- 超过半年没有提交最近提交 2025-10-20
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 | 1 年前 | — | — |
| qKnow 企业知识智能平台 | 43 · 缺口较多 | 自托管服务免费版 + 付费版 | ★ 299 | 14 天前 | Java | — |
| CAMEL 多智能体框架 | 60 · 存在缺口 | 代码库 / SDK免费 + 模型费 | ★ 18k | 1 天前 | Python | OpenAI API |
| ALTA 研究交易工作台 | 76 · 表现良好 | 网页应用 | ★ 1.1k | 2 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。
- 当前材料支持将 README 理解为 Agentic RAG 调研资源,但不足以确认或评估一个仓库级 Agent 产品或框架;未提供的文件视为未知,不能据此推断其存在或缺失。
常见问题
这是可以直接部署的 Agentic RAG 智能体吗?
使用它需要 OpenAI、Anthropic 或其他模型 API 密钥吗?
它是否原生兼容 ChatGPT、Codex、Claude 或相应 API?
能否据此选择一种 Agentic RAG 架构?
仓库内容可以自由复用吗?
Agentic RAG 调研指南 官网是什么?
Agentic RAG 调研指南 开源吗?
Agentic RAG 调研指南 还在维护吗?
Agentic RAG 调研指南 是谁开发的?
谢谢反馈,我们会据此改进页面。