_{🧠 记忆锚点：传统 RAG 检一次就答；Agentic RAG 会判断证据够不够，不够就换问法和数据源。}

💡 答案要点

传统 RAG vs Agentic RAG 对比：

传统 RAG（被动、单次）：
  用户问题 → 向量检索 → 拼入 Prompt → LLM 生成答案
  问题：检索一次，够不够看运气；无法应对多跳问题

Agentic RAG（主动、多轮）：
  用户问题 → Agent 分析 → 决定检索策略 → 检索
             ↓（结果不够？）
          再次检索/换数据源/拆分子问题
             ↓（信息充分）
          生成最终答案

Agentic RAG 的五大核心能力：

能力	说明
自主判断检索充分性	判断"当前信息够不够回答问题"
查询改写/分解	把复杂问题拆成多个子查询
多源检索	向量库 + SQL + 搜索引擎按需组合
迭代检索	第一次检索不够，自动补充检索
工具调用	不只检索文档，还能调用 API、执行代码

实现示例：

展开 Python 代码示例（44 行）

class AgenticRAG:
    def __init__(self, vector_store, sql_db, web_search):
        self.vector_store = vector_store
        self.sql_db = sql_db
        self.web_search = web_search
        self.llm = ChatOpenAI(model="gpt-4o")

    def run(self, question: str) -> str:
        context = []
        max_rounds = 3

        for round in range(max_rounds):
            # 1. 让 LLM 判断：现有信息够不够？需要检索什么？
            plan = self.llm.invoke(f"""
问题: {question}
已有上下文: {context}

判断：
1. 当前信息是否足够回答问题？（yes/no）
2. 如果不够，下一步应该：
   - vector_search: 语义搜索知识库（query=xxx）
   - sql_query: 查询数据库（sql=xxx）
   - web_search: 搜索网络（query=xxx）
   - answer: 直接回答

以JSON格式输出。
""")
            action = parse_json(plan)

            if action["type"] == "answer":
                return self.llm.invoke(f"基于以下信息回答：{context}\n问题：{question}")

            # 2. 执行检索动作
            if action["type"] == "vector_search":
                result = self.vector_store.search(action["query"])
            elif action["type"] == "sql_query":
                result = self.sql_db.execute(action["sql"])
            elif action["type"] == "web_search":
                result = self.web_search.search(action["query"])

            context.append(result)

        # 超过最大轮次，用已有信息尽力回答
        return self.llm.invoke(f"基于以下信息回答（信息可能不完整）：{context}\n问题：{question}")

典型应用场景：

• 多跳问题："A公司CEO的母校的校友里有哪些AI创业者？"（需要3次检索）
• 跨源问题：需要同时查内部文档和实时数据
• 验证性问题：需要反复核实才能给出确定答案

面试话术：

示例表达（仅在能用本人经历或可复现实验佐证时使用）： "Agentic RAG 是 2025 年 RAG 的进化方向。传统 RAG 是'一次检索，凑合用'，Agentic RAG 是'AI 自主决定要查什么、查几次、查哪里'。核心差异是 Agent 会评估'现有信息够不够'，不够就继续检索。我做过一个法律问答系统，传统 RAG 对多跳问题准确率只有 45%，改成 Agentic RAG 后升到 82%，因为它能自动拆解问题、分步检索。"

---