Agentic RAG（智能体式检索）指的是：把检索从一道固定工序，变成模型自己可以反复调用的动作——由模型在推理过程中决定要不要查、查什么、查几轮、什么时候收手，最后再落笔回答。
传统 RAG（Retrieval-Augmented Generation，AI 词典：检索增强生成">检索增强生成）像一条流水线：问题进来，先去向量库做一次相似度检索，取回固定的若干条，塞进上下文，模型据此作答。链路是写死的，检索只发生一次，而且发生在生成之前。
打个比方：传统 RAG 像出门前在家列好书单，进图书馆一次抱走五本，不管对不对都拿这五本回来写报告。Agentic RAG 则像人真的站在书架之间——先翻两本找线索，发现关键词不对就换个词再搜；某本书里提到一篇参考文献，就顺着去追那一篇；觉得材料够了，才回到座位动笔。检索不再是前置步骤，而是贯穿思考过程的动作。
它通常包含几个环节：任务拆解（把大问题拆成子问题）、工具选择（向量检索、关键词检索、数据库查询、网页搜索可以混用）、查询改写（query rewriting）、多轮检索、结果相关性判断，以及停止条件。最后这一项最关键——不会收手，就会一直查下去。
和相邻概念的区别可以这样看：
| 维度 | 传统 RAG | Agentic RAG |
|---|---|---|
| 检索次数 | 一次，固定 | 多轮，动态 |
| 谁做决策 | 代码流程 | 模型自己 |
| 查询改写 | 通常没有 | 常见 |
| 查不到时 | 只能硬答 | 换策略、换工具再试 |
| 成本与延迟 | 低且可预测 | 高且波动大 |
| 适合的问题 | 单跳事实问答 | 多跳推理、跨源比对 |
需要说明的是，工具调用（tool / function calling）只是实现 Agentic RAG 的手段之一，它本身不等于智能体式检索——真正的分水岭是「控制流由模型决定」，而不是「模型会调 API」。
对从业者来说，重点不在把检索器做得多花哨，而在几件工程事：给循环设最大轮数和超时，给成本设上限，定义清晰的停止条件，并让每一步的检索轨迹可回放——否则线上出问题根本查不出是哪一轮跑偏了。对普通职场人来说，可以直接感受到的变化是：答案更贴题、引用更能对上问题，但等待时间更长，遇到简单问题时反而显得笨重。不是所有场景都值得上智能体，简单事实问答用传统 RAG 更快也更省。
如果你在做技术选型，建议先用传统 RAG 打底，只有当遇到明确的多跳、多源、需要反复试探的问题时，再引入 Agentic RAG。具体实现方式和可用能力，以各方案官方页面为准。