DeepSeek实战--传统RAG与Agentic RAG对比

1.原理对比图

分享一张非常漂亮的图，来对比一下原理及流程（from join.DailyDoseofDS.com）

2.定位及使用场景

2.1 传统RAG

这是一种线性的、一次性的检索增强生成流程。

工作流程：

• 接收问题：用户提出一个查询。
• 检索：系统将查询与知识库进行向量相似度搜索，检索出最相关的几个文档片段。
• 生成：将检索到的文档片段和原始查询一起打包，发送给大语言模型，让LLM基于这些上下文生成答案。
• 输出答案：将LLM生成的答案返回给用户。

核心特点：

• 被动执行：它严格按照“检索-增强-生成”的固定流程执行，没有决策能力。
• 一次性操作：通常只进行一次检索和生成。如果第一次检索的结果不理想，它无法自我修正。
• 缺乏规划：它不会去思考“这个问题可能需要多步推理”或“我应该从不同的角度检索信息”。
• 适用场景：非常适合事实性问答、简单的知识查询，例如“公司的年假政策是什么？”或“解释一下什么是神经网络”。

局限性：

• 如果问题复杂，需要多步信息整合，它可能无法给出好答案。
• 如果第一次检索错了，整个回答就错了，缺乏纠错机制。
• 无法处理需要工具使用（如计算、搜索）的任务。

2.2 Agentic RAG

这是一种非线性的、具有决策和规