在大模型时代，Retrieval-Augmented Generation（RAG）已经成为构建 LLM 应用的核心范式之一。然而，传统 RAG 在面对复杂任务时往往力不从心，难以实现真正的“智能问答”体验。本次演讲将聚焦 RAG 的下一阶段演化——Agentic RAG，探讨其架构、能力边界与未来潜力。本次分享将展示如何通过类似人类的认知过程优化检索路径、工具组合与知识建模，从而打造更高效、可解释、更具思考能力的 AI 系统。

演讲提纲

1. Agentic RAG 的基本范式

• 程序化 RAG 与人性化 RAG 的区别
• 不同场景下的适配策略与设计考量

2. Agentic RAG 的系统架构

• 单 Agent 与多 Agent 协同架构
• Agent 可调用的工具能力
• 当前架构的限制与发展瓶颈

3. Agentic RAG 的进化方向

• 索引期间的智能优化
• 检索路径的自我决策与记忆系统
• 检索反馈索引的自迭代机制

4. Agentic RAG 落地踩坑的案例分享

5. 总结与展望

您认为，这样的技术在实践过程中有哪些痛点？

• 检索路径不稳定：Agent 在调用工具时缺乏策略记忆，容易重复冗余检索，导致延迟上升
• 缺乏长期记忆：Agent 无法利用历史经验优化当前任务，常“从零开始”
• 工具调用碎片化：Agent 工具能力虽然强大，但缺乏统一规划，难以形成高效组合策略
• 开发与调试困难：多 Agent 协作行为难以复现和调试，性能评估困难
• 成本控制困难：高频检索 + 多轮推理容易产生不可控的 Token 成本

演讲亮点

• 方法论视角：结合“人类解决问题”的认知路径来设计 Agent 行为策略
• 未来导向：提出索引期间智能化、Agent 自我进化等创新视角
• 适合多角色：既适合工程实现，也适合产品设计与系统规划人员理解

听众收益

• 理解 Agentic RAG 的实现原理和技术架构
• 在实现落地 Agentic RAG 的过程中可以得到思路上的启发