10.1 自主检索增强生成与自主检索

10.1.1 从被动检索增强生成到主动检索增强生成

传统 RAG 是被动的：收到查询后检索一次，返回结果。Agentic RAG 则是主动的：AI 智能体能够自主决定何时检索、检索什么、以及是否需要多次检索。

10.1.2 自主检索增强生成的核心能力

自主决策

智能体决定是否需要检索：

• 简单问题直接回答

• 复杂问题触发检索

• 不确定时主动查证

迭代检索

根据初次结果决定后续：

初次检索 → 发现信息不足 → 改进查询 → 再次检索

多源整合

根据需要访问多个信息源：

• 不同知识库

• 实时 API

• 文档搜索

10.1.3 实现模式

路由模式

根据查询类型选择检索策略：

def route_query(query):
    query_type = analyze_query(query)
    
    if query_type == "factual":
        return retrieve_from_knowledge_base(query)
    elif query_type == "recent":
        return retrieve_from_news_api(query)
    elif query_type == "code":
        return retrieve_from_code_base(query)
    else:
        return multi_source_retrieve(query)

反馈循环模式

检索结果不满足时自动改进：

尝试 1: 检索"机器学习优化" → 结果太泛
尝试 2: 检索"深度学习 梯度下降 优化算法" → 结果更精确

查询分解模式

复杂问题分解为子查询：

原问题：比较 Transformer 和 RNN 在长序列处理上的优劣

分解：
1. Transformer 处理长序列的机制
2. RNN 处理长序列的局限
3. 两者的对比研究

10.1.4 优势与挑战

优势：

• 更精准的信息获取

• 能处理复杂查询

• 自适应不同场景

挑战：

• 延迟增加

• 成本上升

• 需要更复杂的编排

10.1.5 实践建议

1. 从简单场景开始：先实现基本路由

2. 设置迭代上限：防止无限检索

3. 监控检索效率：跟踪迭代次数和效果

4. 缓存中间结果：避免重复检索