# 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](/context_engineering_guide/di-er-bu-fen-he-xin-ji-shu-yu-ce-le/05_select/5.1_rag_principles.md) 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。

{% @mermaid/diagram content="graph TB
subgraph "传统 RAG"
A1\["查询"] --> B1\["检索"]
B1 --> C1\["生成"]
end

```
subgraph "Agentic RAG"
    A2["任务"] --> B2["规划"]
    B2 --> C2["自主检索"]
    C2 --> D2["分析"]
    D2 --> E2{"足够？"}
    E2 --> |"否"| C2
    E2 --> |"是"| F2["生成"]
end" %}
```

图 10-1：传统 RAG 与 Agentic RAG 对比

## 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：

```python
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


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://yeasy.gitbook.io/context_engineering_guide/di-san-bu-fen-jin-jie-ji-shu-yu-jia-gou/10_advanced/10.1_agentic_rag.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.