你走进一家档案馆，请工作人员帮忙查“公司近三年的供应链风险”。普通工作人员会抱着关键词检索一遍，然后把一摞复印纸扔给你——这就是传统 RAG。但真正老练的侦探不会这么干：他会先问，风险分几类？哪条供应链？近三年哪些环节出过事？然后分别去财务室、仓库监控、合作方名单里查，发现证据矛盾时回头再查，最后交给你一份有理有据的报告。 Agentic RAG 就是把 RAG 从“档案馆工作人员”升级成“独立侦探”。它不再走固定的一次性“检索-生成”管道，而是让大语言模型扮演 Agent：自主拆解问题、决定要不要查、选哪个工具、按什么路径查、如何交叉验证多路证据、查完反思够不够，最后才给出答案。 这篇文章以侦探办案为主线，带你拆解 Agentic RAG 的八个核心环节：任务分解、智能决策、工具调用、路径规划、知识图谱、多源融合、自主反思、效果评估。读完你不仅能听懂 Agentic RAG，还能动手写出一个最小实现。

岗位关联

掌握 Agentic RAG，开发者能让 RAG 系统拥有主动拆解问题、自主调用工具、反思并收敛答案的能力，是构建高智商企业知识助手的核心技能。

目录
  1. 可视化演示
  2. 任务分解：先拆案再出门
  3. 智能决策：先判断要不要查
  4. 工具调用：侦探的工具箱
  5. 路径规划：设计调查路线
  6. 知识图谱：线索关系网
  7. 多源融合：拼出完整证据链
  8. 自主反思：复盘后再出发
  9. 效果评估：用数据验收破案成果
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示二分查找在有序数组中定位目标值的过程，通过左右指针和中间位置的动态变化理解对数级搜索效率。

本节配有交互动效（进入视口后自动加载，约 3KB）。

二分查找 — 目标值存在于数组中 每次比较中间元素，根据大小关系将搜索范围减半，效率为 O(log n) 绿色表示找到目标，红色表示当前比较的中间位置 mid = ⌊(left + right) / 2⌋，每次范围缩小一半

任务分解：先拆案再出门

侦探接到“物流中转数据泄漏案”。他不会一头扎进档案室问“请给我数据泄漏的答案”，因为没有任何一本书叫《数据泄漏通用答案》。他先掏出小本子，把案子拆成三行：泄漏发生在哪个中转环节？哪些线路近期有异常？谁具备该环节的操作权限？三个问题都具体、可查证。

Agentic RAG 中的 Agent 也是这样面对复杂用户查询的。它先把原始问题交给语言模型，做查询理解与子问题拆分：原始问题太笼统，直接做 embedding 检索很难找到精准片段；拆成若干子问题后，每个子问题都能独立走一次检索，命中率大幅提升。

具体实现中，任务分解往往就是一句 prompt：让 LLM 输出子问题列表，并顺带做意图识别——判断用户是要事实、方案对比，还是操作指令。拆得越清楚，后续每轮检索越精准，也方便 Agent 按顺序逐个击破。

侦探的小本子上多了三行待办事项，对应 q1、q2、q3。任务分解完成，调查大纲有了。下一步要决定：哪些问题出门查，哪些问题凭经验就能答。

q0⇒Q={q1,q2,…,qn}q_0 \Rightarrow Q = \{q_1, q_2, \dots, q_n\}
通俗说明：把原始大问题 q0 拆成一组小问题 q1 到 qn，小问题集合记为 Q。就像侦探把大案子拆成几个可以分别调查的小问号。
  1. q0用户最初输入的那个复杂、模糊的查询。
    q0q_0
  2. Q拆解后得到的子问题集合，大括号表示把多个元素装在一起。
    Q={q1,q2,…,qn}Q = \{q_1, q_2, \dots, q_n\}
  3. q_i第 i 个子问题，例如“哪个环节最近出现过权限异常”。
    qiq_i
  4. n子问题的个数，由模型根据问题复杂度动态决定。
    n>0n > 0

智能决策：先判断要不要查

侦探不会一听到“你从业几年”就跑现场；但如果委托人问“这起案件的嫌疑人是谁”，他必须立刻行动。Agentic RAG 的 Agent 也一样：先评估自己当前的知识够不够，够就答，不够才去检索。

这被称为检索判断，也叫“检索必要性预测”。LLM 会对自己回答某个问题的信心做一个估计：信心低，说明存在知识缺口，应该触发外部检索；信心高，则直接生成。这个判断像侦探的经验直觉，是减少不必要调用的第一道闸门。

工程上，可以让模型输出一个置信度得分，或让模型在“直接回答”和“搜索后再回答”之间做选择。配合阈值 $\tau$，系统就能稳定区分“该答”和“该查”。

侦探的“判断力”是整个调查的起点：不瞎检索，也不装懂。这道闸门挡住了一大批本可以直答的简单问题，让 Agent 把预算花在真正需要调查的案子上。

a={retrieveif s<τanswerotherwisea = \begin{cases} \text{retrieve} & \text{if } s < \tau \\ \text{answer} & \text{otherwise} \end{cases}
通俗说明：Agent 给自己打分 s，如果分数低于阈值 τ，就出门检索；否则直接作答。这是控制检索成本的第一道闸门。
  1. aAgent 最终采取的行动，retrieve 表示去检索，answer 表示直接回答。
    aa
  2. s模型对“我能否凭已有知识回答该问题”的置信度得分。
    ss
  3. τ阈值，像一个及格线，由开发者在成本和准确率之间权衡设定。
    τ\tau
  4. 分支判断s 小于 τ 时走检索分支，否则走直接作答分支。
    if s<τ⇒retrieve\text{if } s < \tau \Rightarrow \text{retrieve}

工具调用：侦探的工具箱

侦探决定要调查，还要选怎么查：翻档案室（向量库）、查线人关系网（知识图谱）、去现场走访（搜索引擎）。Agent 也一样，它身边挂着几个工具：向量检索器、图数据库查询器、Web 搜索工具、SQL 查询器等等。

LLM 通过工具调用（function calling）输出一段结构化指令：工具名是什么、参数是什么。例如 {"tool": "vector_search", "args": {"query": "物流中转 数据泄漏 2024"}}。系统执行该指令，把结果返回给 Agent，Agent 再把结果读入上下文。

工具调用集成的三个关键是：工具定义（名称、描述、参数 schema 要机器可读）、函数调用（LLM 能输出符合 schema 的 JSON）、参数生成（把自然语言转成工具需要的具体参数，如查询词、过滤条件、Top-K）。

侦探的工具箱已经备好。但光有工具还不够，下一步是规划行动路线——先查哪一个，后查哪一个，才能少走弯路。

t∗=arg⁡max⁡t∈T U(t,q)t^{*} = \arg\max_{t \in \mathcal{T}} \, U(t, q)
通俗说明：Agent 从工具集合 T 里挑一个效用 U 最高的工具 t* 来执行当前子问题 q。就像侦探比较“翻档案”和“走访现场”哪个对当前线索更有效。
  1. t\*被选中的最佳工具，是 argmax 的结果。
    t∗t^{*}
  2. T可用的工具集合，比如向量检索、图谱查询、Web 搜索。
    T\mathcal{T}
  3. U(t, q)工具 t 对问题 q 的预期效用，衡量匹配度与信息价值。
    U(t,q)U(t, q)
  4. argmax遍历所有工具，选出使 U 最大的那一个。
    arg⁡max⁡\arg\max

路径规划：设计调查路线

侦探拿到工具后，不会随机乱翻。他会先设计路线：先查档案，若线索指向某个关系人，再查关系网；若关系网显示他有境外资金往来，再搜公开新闻。这种“走走看看、按需调整”的过程，就是检索路径规划。

在 Agentic RAG 中，路径规划可以是固定模板，也可以完全动态。固定模板如“先向量库，再知识图谱，最后网络搜索”；动态规划则让 Agent 根据上一跳结果决定下一跳工具，形成一条多跳路径。每个工具调用就是路径上的一站，每站都会带回新的信息增量。

路径不能太长，因为每一跳都有成本。Agent 需要在“信息增量”和“调用成本”之间做权衡，最终选出一条综合得分最高的路径。

一条高效的调查路线能减少无用功。Agent 一边走一边记录路径，这些记录会为后面的反思环节提供依据。

Score(Path)=∑i=1mri−λ⋅m\text{Score}(Path) = \sum_{i=1}^{m} r_i - \lambda \cdot m
通俗说明：一条调查路线的得分 = 每站收获的信息之和 − 每站都要付出的成本。得分越高，说明这条路既收获大又不太费钱。
  1. Path一条检索路径，由顺序执行的 m 个工具调用组成。
    PathPath
  2. r_i第 i 跳检索带来的信息收益，比如新增的相关事实数量。
    rir_i
  3. λ单次工具调用的成本惩罚系数，包含时间、Token 与费用。
    λ\lambda
  4. m路径总跳数，跳数越多，总成本越高。
    mm
  5. Score总收益减总成本，Agent 选择得分最高的路径执行。
    Score(Path)\text{Score}(Path)

知识图谱：线索关系网

侦探知道，每个嫌疑人不是一个孤立的点：他有前科、有同伙、有资金流水，这些线索之间连成一张网。知识图谱就是这张网——把实体（人、物、事件）作为节点，把关系（认识、属于、发生在）作为边，存成一张大的图结构。

Agentic RAG 结合知识图谱时，先对文档做实体识别和关系抽取，把非结构化文本变成三元组，比如（张三，转账给，李四）。检索时，Agent 不再只查相似段落，还能从已找到的实体出发，沿关系边做多跳跳转，就像侦探顺着关系网不断追问“那他后来又联系了谁？”

这种“从文本跳到图、再从图跳回文本”的能力，让 Agent 回答牵涉多个实体关系的复杂问题，例如“某供应商与某高管之间是否存在间接利益关联”。

侦探顺着案卷里的名字，在关系网上不断扩展：A 认识 B，B 又与 C 有资金往来。知识图谱的每一条边，就是一条新的调查线索。

Efinal=Evector∪{v∣v∈Nk(e),  e∈Evector}E_{\text{final}} = E_{\text{vector}} \cup \{ v \mid v \in N^k(e),\; e \in E_{\text{vector}} \}
通俗说明：最终用于回答的知识集合 = 向量检索到的实体节点 ∪ 这些实体在知识图谱上走 k 步能到达的所有邻居节点。把“相似文本”和“关系网络”两边互补起来。
  1. E_vector向量检索得到的一组实体或文档，是初始线索。
    EvectorE_{\text{vector}}
  2. N^k(e)在图谱中从实体 e 出发，走 k 跳能到达的邻居集合。
    Nk(e)N^k(e)
  3. 集合构造大括号里的 v 表示所有满足条件的邻居都被收集进来。
    {v∣v∈Nk(e),  e∈Evector}\{ v \mid v \in N^k(e),\; e \in E_{\text{vector}} \}
  4. ∪并集操作，把向量线索和图谱扩展线索合并。
    ∪\cup
  5. E_final最终交给生成模块的知识集合。
    EfinalE_{\text{final}}

多源融合：拼出完整证据链

侦探手上现在有档案、人证、监控三路信息。直接堆成一团不行——可能同一件事出现三遍，可能两处说法矛盾，可能现场监控比证人口供更可信。要想得到可靠结论，必须做多源融合。

多源融合要解决三个问题：去重合并（同一事实从不同源反复出现）、相关性排序（把与问题关系不大的噪声排后）、动态权重（不同来源可信度不同，需要给不同权重）。简单做法是让 LLM 做重排与总结；更强的方法是用加权求和把多路证据统一成一份表示。

加权融合的关键是权重 $w_i$ 怎么定：可以人工设定，也可以根据来源历史准确率或与问题的相关度动态计算。

侦探把证据分类比对：剔除重复口供，给最可靠的监控最高权重，最终拼出一条完整证据链。融合不是简单拼接，而是让证据互相印证。

R=∑i=1mwi⋅riR = \sum_{i=1}^{m} w_i \cdot r_i
通俗说明：融合结果 R 等于每个来源的检索结果 r_i 乘以各自的权重 w_i 再求和。权重高的来源，对最终结论影响更大。
  1. r_i第 i 个数据源返回的检索结果。
    rir_i
  2. w_i给第 i 个源的权重，代表可信度或相关性。
    wiw_i
  3. 求和把所有源的加权结果累加，形成统一表示。
    ∑i=1mwi⋅ri\sum_{i=1}^{m} w_i \cdot r_i
  4. R融合后的证据集合，供 Agent 生成最终答案。
    RR

自主反思：复盘后再出发

侦探不会急着结案。他会拿着初步结论问自己：证据链完整吗？有没有解释不通的矛盾？如果发现某个环节站不住脚，他会再次出发调查。这就是自主反思。

Agentic RAG 的反思环节同样如此：Agent 先生成一份草稿，然后对自己的草稿做质量评估——信息量够不够、有没有幻觉风险、是否偏离用户问题。如果评估分数不达标，就进入下一轮检索，把新证据补充进来再生成一版；如果达标，就终止并输出。

这个“生成-评估-再检索”的循环，就是反馈循环。工程上必须设计好终止判定：达到质量阈值就停，超过最大轮数也停，否则 Agent 可能一直转圈。

有了反思，侦探从“自以为破了案”变成“真正破了案”。这个闭环正是 Agentic RAG 区别于管道式 RAG 的灵魂。

at={stopif score(dt)≥θretrieveotherwisea_t = \begin{cases} \text{stop} & \text{if } \text{score}(d_t) \ge \theta \\ \text{retrieve} & \text{otherwise} \end{cases}
通俗说明：第 t 轮生成草稿 d_t，如果质量评分达到阈值 θ 就收手；否则继续检索补证据。这就像侦探复盘后决定“结案”还是“再查”。
  1. a_t第 t 轮 Agent 采取的行动，stop 表示终止，retrieve 表示继续检索。
    ata_t
  2. d_t第 t 轮生成的答案草稿。
    dtd_t
  3. score(d_t)对草稿质量的自评打分，可由 LLM 或规则完成。
    score(dt)\text{score}(d_t)
  4. θ质量阈值，达标即结案。
    θ\theta
  5. 分支判断不达标时回到检索，再次执行工具调用。
    otherwise⇒retrieve\text{otherwise} \Rightarrow \text{retrieve}

效果评估：用数据验收破案成果

委托人怎么判断侦探厉害不厉害？看三样东西：破案率、破案速度、办案成本。Agentic RAG 落地时也一样，必须用指标说话：响应质量、检索效率、成本控制。

响应质量可以用 LLM-as-a-judge 打分、忠实度、答案准确率来衡量；检索效率看 MRR、Hit@K 等排序指标；成本控制看单次问答的 Token 消耗、工具调用次数和延迟。所有指标背后都指向同一个问题：这套自主检索系统是否真的比普通 RAG 更好、更快、更省。

MRR（平均倒数排名）是评估检索排序质量最常用的指标之一，尤其关注“第一个正确答案是否排在前面”。

侦探团长会给每起案子记录“采纳率、耗时、预算”。Agentic RAG 落地时也要先定好这些可度量目标，否则团队吵了半天，也不知道系统到底有没有变强。

---

MRR=1∣Q∣∑i=1∣Q∣1rankiMRR = \frac{1}{|Q|} \sum_{i=1}^{|Q|} \frac{1}{rank_i}
通俗说明：对每个测试问题，看第一个正确答案排在第几名，取倒数；再把所有问题的倒数取平均。排名越靠前，MRR 越接近 1。
  1. Q测试问题集合，|Q| 是问题总数。
    ∣Q∣|Q|
  2. rank_i第 i 个问题中，第一个正确答案在检索结果列表里的排名。
    rankirank_i
  3. 1/rank_i排名越靠前，这个值越大，排在第一名时取 1。
    1ranki\frac{1}{rank_i}
  4. 平均对全部问题求和后除以问题数，得到整体水平。
    ∑i=1∣Q∣1ranki,MRR=⋅∣Q∣\sum_{i=1}^{|Q|} \frac{1}{rank_i}, \quad MRR = \frac{\cdot}{|Q|}

AI 应用场景

智能客服工单自动分诊

阶段：任务分解 + 工具调用

解决的问题：传统客服系统只能做 FAQ 关键词匹配，面对“我的订单卡在物流中转，责任方是谁？”这种组合问题时，既拆不开问题，也不知道该查订单库还是物流库。Agentic RAG 将问题先拆成多个子问题，再分别调用不同系统，最后形成一份可直接执行的工单。

具体案例：某电商企业把工单系统接入 Agentic RAG。用户提问“我买的手机显示已发货但一直没到”，Agent 将其拆解为“订单当前状态”“物流环节是否异常”“责任方归属”三个子问题，分别查订单数据库、物流接口和售后知识库，最后输出工单摘要、处理建议和预估响应时间，客服只需审核即可发送。

企业法务合规审查

阶段：知识图谱 + 多源融合

解决的问题：合规审查需要同时对照法律法规、公司内部制度和历史判例，单源检索会出现信息断层。例如合同里的“违约金条款”是否违反行业规定，需要把实体、关系和法律条文串联起来才能判断。

具体案例：某集团法务部用 Agentic RAG 做合同预审。系统抽取合同中的签发主体、金额、日期等实体，在知识图谱中查询这些主体之间的关联（如是否有关联交易），再从法条库、案例库、公司政策库三路检索，融合后标记出“格式条款风险”“信息披露风险”等合规点，并附上对应的法律依据。

科研文献自主调研

阶段：路径规划 + 自主反思

解决的问题：写综述时要跨多个数据库找文献，还要确认结论没有被最新研究推翻。人工来回检索成本极高，普通 RAG 又不会根据上一轮结果调整检索方向。Agentic RAG 能自主规划路径并反复校验答案。

具体案例：研究员提问“Retrieval-Augmented Generation 在医疗场景的最新进展”。Agent 先检索综述库，再从综述中的关键论文题目出发，跳到论文 API 查询近三年相关内容，接着沿作者合作关系图谱扩展，最终融合多个来源生成综述初稿。初稿中一句结论与最新论文矛盾，反思模块发现后触发补充检索，自动修正并注明争议来源。

Python 演示

python59 行
class AgenticRAG:    """简化版 Agentic RAG：用规则近似 LLM 的决策，演示"决策-检索-反思"闭环。"""     def __init__(self, max_hops=4):        self.max_hops = max_hops        self.hops_count = 0        self.vector_store = {            "RAG": "检索增强生成",            "Agent": "能自主调用工具的智能体",            "知识图谱": "实体与关系的网络"        }        self.kg_edges = [            ("RAG", "升级为", "Agentic RAG"),            ("Agentic RAG", "依赖", "工具调用"),            ("知识图谱", "支持", "多跳推理")        ]     def vector_search(self, query):        results = []        for key, val in self.vector_store.items():            if key in query or query in key:                results.append(key + ": " + val)        return results     def kg_search(self, query):        results = []        for head, rel, tail in self.kg_edges:            if head in query or tail in query or query in head or query in tail:                results.append(head + rel + tail)        return results     def decide_action(self, query, draft):        if len(draft) >= 10 or self.hops_count >= self.max_hops:            return "answer"        if "关系" in query or "知识图谱" in query:            return "kg"        return "vector"     def run(self, query):        draft = ""        path = []        while self.hops_count < self.max_hops:            action = self.decide_action(query, draft)            path.append(action)            if action == "vector":                draft = " ".join(self.vector_search(query))            elif action == "kg":                draft = " ".join(self.kg_search(query))            elif action == "answer":                break            self.hops_count += 1        return draft or "未找到可用知识", path  if __name__ == "__main__":    agent = AgenticRAG(max_hops=4)    answer, trace = agent.run("知识图谱和RAG的关系")    print("检索路径:", " -> ".join(trace))    print("融合答案:", answer)
目的：演示一个极简 Agent 闭环——Agent 判断是否需要检索、选择工具、把结果写回草稿、反思后决定继续还是终止。这里的决策函数用规则近似 LLM 的决策逻辑。
  1. self.hops_count = 0记录已经检索了几步，防止无限循环。
  2. if len(draft) >= 10 or self.hops_count >= self.max_hops:反思终止条件：草稿够长或达到步数上限就停。
  3. if "关系" in query or "知识图谱" in query:意图识别：优先进入知识图谱分支。
  4. path.append(action)把每步使用的工具记入路径，方便回溯与评估。
  5. draft = " ".join(self.kg_search(query))调用知识图谱工具并把结果更新到草稿。
  6. while self.hops_count < self.max_hops:自主循环：让 Agent 自己推动检索进程。

常见误区

误区很多初学者以为，只要把 RAG 链路里加一个 LLM，让它多回答几轮，就算“Agentic RAG”了。于是画框图时多画一个圆圈，就觉得大功告成。

正解Agentic RAG 的核心不是“多一个模型”，而是 LLM 掌控检索流程的控制权：它决定何时检索、调用哪个工具、证据是否充分、要不要再来一轮。整个“决策-执行-反思”循环才是 Agentic RAG，而传统 RAG 的“检索-生成”只是一次性管道。就像侦探的核心能力是“判断和策略”，而不是他口袋里多了几支笔。

为何常见：因为很多教程只展示了模块图，没有强调控制流。看到“Agent”三个字就以为模型数量变多了，忽视了流程控制的关键。

误区有人认为多检索几轮总能召回到更多信息，答案一定会更准确。于是把最大迭代次数设成 10、20，认为“查得越多越好”。

正解多轮检索会带来更多噪声、更高延迟和更多 Token 消耗，还可能把不相关的信息混进上下文。Agentic RAG 的设计目标恰恰是“有节制地调用”：够用就停，缺了才补。反思环节的本质就是判断何时停止，而不是盲目追加检索。

为何常见：把检索次数等同于信息量，忽略了检索结果的边际收益递减和噪声累积。

误区看到知识图谱可视化界面，以为它就是给领导看的展示图，和检索没什么关系。于是觉得这是可有可无的装饰。

正解知识图谱本质上是可查询的图结构数据，在 Agentic RAG 中担任“关系推理引擎”。Agent 检索到某个实体后，能沿着图的边做多跳跳转，回答“谁和谁有关”“是否存在间接关系”这类纯向量检索搞不定的问题。它不是展示品，而是案件关系网本身。

为何常见：因为市面上很多知识图谱工具把可视化做得很突出，让人误以为“画图”就是它的全部功能。

误区把向量库、知识图谱、搜索引擎的结果做成一个列表，用换行拼在一起当成“多源融合”，这是最常见的偷懒实现。

正解真正的融合要处理重复、矛盾、可信度差异和相关性排序。简单拼接会把同一信息重复三遍，也会让矛盾结论同时出现在答案里。正确做法是去重、重排、加权，必要时让 LLM 审查冲突后给出统一结论。侦探不会把三份互相矛盾的口供直接念给委托人听，他要先交叉验证。

为何常见：拼接是最容易想到、最容易实现的“融合”，在 demo 上看起来也有模有样，容易让人误以为这就是完整方案。

误区既然 Agent 能自主决策，那就不需要设计工具、不需要限制轮数、不需要设终止信号，全交给模型就行。

正解现实中必须做好“工程护栏”：工具 schema 要定义清楚，最大迭代次数要设硬上限，终止阈值要调优，系统提示词要约束行为。否则 Agent 可能反复调用同一个无用工具，或在一个错误路径上空转，成本失控。侦探再厉害，委托方也要约定调查预算和工作范围。

为何常见：看 demo 时 Agent 表现很聪明，让人产生“全自动”的错觉，忽视了生产环境下对可控制性和成本的要求。

面试题

Q1. Agentic RAG 与普通 RAG 最主要的区别是什么？

单选题 · easy

  • A.普通RAG用向量库检索，Agentic RAG则完全不用
  • B.Agentic RAG的LLM可自主决定何时检索和调用工具← 正确答案
  • C.普通RAG不需要大语言模型参与即可直接生成回答
  • D.Agentic RAG在处理问题时无法使用外部知识库

答案：B。Agentic RAG 的核心是让 LLM 作为 Agent 掌控检索流程——决定是否检索、用什么工具、何时停止。普通 RAG 仍然是固定管道，也同样用向量库和 LLM，A、C、D 都是错误描述。

Q2. Agentic RAG 中“任务分解”的主要目的是什么？

单选题 · easy

  • A.让所有子问题都只检索同一个最相似的文档
  • B.将复杂查询拆解成更容易检索和回答的子问题← 正确答案
  • C.减少系统内工具的数量从而降低实现成本
  • D.删除那些不需要回答的环节以减少计算量

答案：B。任务分解就像侦探把大案子拆成小问题，目的是让每个子问题都能独立检索、精准命中。它并不减少工具数量，也不删除环节，而是提高检索的可执行性。

Q3. Agent 判断“是否值得检索”时最常用的信号是什么？

单选题 · mid

  • A.查询文本在界面中显示的颜色和字体大小
  • B.当前证据的置信度或模型知识缺口信号← 正确答案
  • C.用户输入的问题是否超过十个汉字长度
  • D.向量数据库里索引分片的数量大小

答案：B。Agent 评估自身对问题的置信度，若置信度低说明存在知识缺口，就触发检索。像侦探判断“这案子我熟不熟”，而不是看提问字数和界面样式。

Q4. 工具调用集成通常需要哪些关键环节？

多选题 · mid

  • A.定义工具名称、描述和输入参数格式← 正确答案
  • B.让LLM生成符合工具约定的函数调用指令← 正确答案
  • C.让工具反过来直接修改LLM的模型权重
  • D.解析工具返回的结果并交回Agent决策← 正确答案

答案：ABD。工具调用需要工具定义（schema）、LLM 生成调用指令、系统执行并解析结果。工具本身不会修改 LLM 权重，C 是错误选项。

Q5. 知识图谱在Agentic RAG中的主要作用是什么？

单选题 · mid

  • A.完全替代所有向量数据库的检索方式
  • B.利用实体与关系进行多跳推理和扩展← 正确答案
  • C.仅用于可视化展示使界面更美观漂亮
  • D.压缩语言模型的参数量以加快推理

答案：B。知识图谱以图结构存储实体与关系，Agent 可沿边做多跳扩展，补足向量检索欠缺的关系推理能力。它不是可视化装饰，也不替代所有检索。

Q6. 多源融合中，下列哪项不是必须处理的问题？

单选题 · mid

  • A.对重复出现的检索结果进行去重合并
  • B.处理不同来源在答案上的相互矛盾
  • C.为各来源设置合理的权重再进行加权
  • D.增加工具数量后答案质量自动提升← 正确答案

答案：D。融合必须去重、消解矛盾、分配权重。但“增加工具数量”不会自动提升质量，反而可能引入噪声，因此 D 不是融合必须处理的问题，而是错误直觉。

Q7. 自主反思环节的终止条件通常是？

单选题 · easy

  • A.用户在界面上手动点击停止按钮才终止
  • B.答案质量评分达标或达到最大迭代步数← 正确答案
  • C.检索到的文档总页数超过一百页才终止
  • D.工具调用的每次执行都返回失败才终止

答案：B。反思循环靠质量阈值和最大步数双重约束收尾，够好就停、超限也停。好的 Agent 不会依赖用户手动停止，也不会以页数或失败次数作为终止信号。

Q8. 设计Agentic RAG的检索路径规划时，需要考虑哪些？

多选题 · hard

  • A.决定每一跳应该优先调用哪一个检索工具← 正确答案
  • B.判断是否需要在多个数据源之间来回跳转← 正确答案
  • C.将每一轮检索到的结果直接丢弃不加以利用
  • D.基于上一轮的结果动态调整下一跳的路径← 正确答案

答案：ABD。路径规划要选工具、定跳转策略，并根据上一跳结果动态修正。检索结果必须被有效利用，C 描述的行为属于错误设计。

Q9. 在评估Agentic RAG效果时，MRR计算的核心是什么？

单选题 · extreme

  • A.系统在所有检索结果中返回的总条数多少
  • B.第一个正确答案在结果列表中的排名位置← 正确答案
  • C.生成回答文本的总字符数和页数大小
  • D.每一次工具调用的耗时和网络延迟长短

答案：B。MRR 关心“第一个正确答案是不是排在最前面”，把排名取倒数再平均。它不统计总条数、不关心字符数，也不衡量延迟。

Q10. 关于Agentic RAG的成本控制，下列说法正确的有？

多选题 · mid

  • A.限制最大迭代次数可以避免系统陷入死循环← 正确答案
  • B.设置合理的终止信号能减少无谓的检索调用← 正确答案
  • C.检索执行的次数越多则运行成本一定越低
  • D.精心设计工具接口以降低不必要的开销← 正确答案

答案：ABD。最大迭代次数是硬性防呆措施，终止信号能及时收手，工具接口设计得越精准越省钱。检索越多成本越高，C 正好说反了。