Adaptive RAG（自适应AI 词典：检索增强生成">检索增强生成）指的是让系统自己判断：这个问题要不要查外部资料、查几路、查几轮，而不是所有问题都走同一套固定的检索流程。
普通 RAG 像一条固定流水线——问题进来，去向量库捞固定条数的文档，塞进提示词再生成。可真实提问的难度差得很远：“出差报销标准是多少”必须查，“把这句话翻译成英文”根本不用查，“对比 A、B 两个方案”则要拆成几个子问题、查上几轮才够。固定流程的代价是：简单问题被硬塞几条不相关文档，反而干扰回答；复杂问题只捞一次，材料不足，答案就浅。
打个比方：它像医院的分诊台。感冒直接开药，不做检查；疑似骨折去拍片；情况复杂就做整套检查再转几个科室。分诊不判断具体病情，只判断该投入多少资源。
常见做法分三步：路由，用一个小模型或规则给问题分级——不检索、单次检索、多轮检索；选策略，或跳过检索，或单次抓一批，或把问题拆成多个子查询并行查，或用上一轮结果决定下一轮查什么；判断何时停，证据够了就停，而不是固定跑满几轮。判断依据可以是问题类型、检索结果与问题的相关性打分、模型对自身答案的把握程度。
和相邻概念的区别：
| 概念 | 主要决策点 |
|---|---|
| 朴素 RAG | 每次都检索固定条数 |
| Adaptive RAG | 要不要检索、查几路几轮 |
| Self-RAG | 生成过程中用自省标记触发和评判检索 |
| Corrective RAG | 重点评估检索结果质量，太差就补救 |
| Agentic RAG | 检索只是 agent 可调用的工具之一 |
这些思路常常混着用，不必非此即彼。
对从业者有三个现实点：成本——相当比例的提问其实不必检索，允许跳过就是省时间省算力；质量——该查没查会答错，不该查硬查会把噪声塞进上下文；路由器的准确率就是系统上限，值得单独盯住“漏检”和“过度检索”两类错误。如果业务里的问题类型很单一，固定流程反而更简单可靠。
对普通人，你会觉得它反应更快，也可能觉得它“时灵时不灵”：同一个问题这次查了资料、下次没查，措辞就不一样。对准确性要求高的场景，可以优先选带强制检索或引用来源开关的产品。具体某款产品怎么实现，以官方页面为准。