38.4.1 RAG与搜索融合：RAG前沿进展与趋势分析

CH-28-04-014·约 18 分钟·搜索推荐与信息检索·更新 2026-08-13

想象你请了一位叫“小R”的研究助理。一开始，你提一个问题，他就跑进图书馆，抱回几本相关的书，照着书里的内容整理一篇摘要给你——这是最经典的“先检索、后生成”模式。后来小R发现，光靠“抱书”效率太低，他学会了给书籍做章节切分、做知识关系地图；再后来，他会在写报告前先自问一句“我手上的资料够吗？这句话有把握吗？”；如今，小R已经可以自己拟定研究计划、多步查阅、调用计算工具，甚至能“看图说话”。这一路成长，正是RAG（检索增强生成）从朴素形态走向图增强、自我反思、智能体化，再向多模态和长文档方向演进的缩影。本文将借小R的故事，把RAG的前沿进展与趋势讲清楚。

岗位关联

理解RAG前沿演进，能帮你在真实业务中选对技术路线：是加知识图谱、上自反思，还是让智能体自主决策，这直接决定AI系统的可信度、实时性与工程成本。

可视化演示
1. RAG整体演进：从翻书查资料到模块化装配
2. GraphRAG图谱增强：给资料画一张关系地图
3. Self-RAG自反思：边答边问“有把握吗”
4. Agentic RAG智能体：从跑腿助理到自主研究员
5. 多模态与长文档：能看图的图书馆
6. 长上下文互补：记忆极好也要及时查证
7. 趋势与落地：少说错话，句句有出处
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

展示RAG检索增强生成流水线（查询→编码→检索→重排→生成）、GraphRAG知识图谱检索与RAGvs长上下文LLM互补关系。

本节配有交互动效（进入视口后自动加载，约 3KB）。

RAG流水线：检索增强生成的六阶段流程查询编码→向量检索→重排序→LLM生成→引用标注每个环节引入延迟，端到端约275ms answer = LLM(prompt + retrieve(query)) 检索增强有效降低LLM幻觉并提升可溯源性

1. RAG整体演进：从翻书查资料到模块化装配

小R刚入职时只会“查—抄—交”：你问他“今年新能源车销量如何”，他就冲进图书馆，抱出一摞与“新能源”相关的书，把原文里的话拼成一份报告。这个阶段被称作朴素RAG，它把检索和生成两块简单拼在一起。后来小R发现，整本整本地抱书效率太低，他开始把书拆成段落、按相关度给片段重排，这就是进阶RAG。

从技术视角看，进阶RAG把文档切块、向量化、排序、重排等流程固定成一套流水线。再往后，研究者把这些组件做成可替换的模块：检索器可以用稀疏检索也可以用稠密检索，生成器可以选择不同规模的模型，甚至可以在中间插入重写器、过滤器。这种模块化设计让RAG像乐高玩具一样，可按任务自由装配，也与搜索引擎的经典技术进一步融合。

RAG最早的形式可以用一个简洁的概率公式描述：先在所有候选文档里找相关片段，再让语言模型基于片段生成答案。

小R的成长并没有止步于“会拆书”。随着知识地图、自我检查、任务规划等能力被逐件加入，他从一个跑腿助理升级为研究工作流的核心调度者。理解这个演进轨迹，是看懂后续所有前沿方向的起点。

\mathrm{RAG}(y \mid x) \approx \sum_{z \in \mathcal{Z}} P_{\mathrm{ret}}(z \mid x)\,P_{\mathrm{gen}}(y \mid x,z)

通俗地说，RAG是“先挑书，再写报告”：挑得越准，报告越靠谱。公式中的求和代表综合多个来源的证据，而不是只盯着一本书。

问题输入 x用户问的问题同时交给检索器和生成器。
$x: \text{用户问题}$
候选集合 Z知识库中所有可能被检索到的文档片段。
$\mathcal{Z}: \text{候选文档片段集合}$
检索概率检索器根据问题给每个片段打相关性分。
$P_{\mathrm{ret}}(z \mid x)$
生成概率生成器结合问题和片段输出答案。
$P_{\mathrm{gen}}(y \mid x,z)$
加和融合对所有候选片段求和，相当于综合全部证据。
$\displaystyle \sum_{z \in \mathcal{Z}}$

2. GraphRAG图谱增强：给资料画一张关系地图

小R在整理一份“新能源汽车供应链”报告时发现，很多关键信息散落在不同章节里：某页提到电池工厂，另一页提到该工厂属于某集团，还有一页写集团正与车企深度合作。如果只按关键词抱书，他永远拼不出完整的产业链。于是小R学会画“知识关系地图”，把实体当作节点、把关系当作连线。这幅地图就是知识图谱。

GraphRAG的做法是先从文档中抽取实体和关系，构建出图结构；回答问题时，不是只检索一段文字，而是在图上沿着关系边遍历，把分散的线索聚合起来。更进一步，研究者用社区检测把关系紧密的节点分成一个个社区，并生成社区摘要。当问题需要全局视角时，直接读摘要即可，而不必遍历整张图。

为了让图上的信息参与计算，GraphRAG常用图神经网络做消息传递：每个节点不断收集邻居的信息，更新自己的表示。

有了知识地图，小R不再只回答“某段话里有什么”，而是能回答“这几件事之间是什么关系”。GraphRAG的价值，正是把RAG从“查句子”提升到“理解全局”。

h_v^{(l+1)} = \sigma\left(W^{(l)} \sum_{u \in \mathcal{N}(v)} \frac{h_u^{(l)}}{\sqrt{|\mathcal{N}(v)|\,|\mathcal{N}(u)|}}\right)

这就像一个团队里每个人都会把同事带来的情报和自己的知识整合一遍，经过多轮沟通后，所有人都掌握了团队的全局情况。

节点表示 h_v文档或实体在图中的特征向量。
$h_v^{(l)}$
邻居集合 N(v)与当前节点直接相连的节点。
$\mathcal{N}(v)$
邻居消息聚合把邻居向量按归一化系数加权求和。
$\displaystyle \sum_{u \in \mathcal{N}(v)} \frac{h_u^{(l)}}{\sqrt{|\mathcal{N}(v)|\,|\mathcal{N}(u)|}}$
变换与激活线性映射后经过非线性激活函数完成更新。
$\sigma\left(W^{(l)} \cdot \left(\cdot\right)\right)$

3. Self-RAG自反思：边答边问“有把握吗”

小R还有一个毛病：抱回三本看似相关的书就开始动笔，结果有两本书信息过时，报告就翻了车。于是导师给他立了一条规矩：写每一句话之前，先自问“我需不需要再查资料？我手上的证据支持这句话吗？”小R把这套流程叫作自我反思。研究者把这个思路做成了Self-RAG。

Self-RAG不再“逢问必检”，而是让模型在生成每一个片段时，先输出一个特殊的检索决策标记：是继续用已有上下文，还是去外部检索新证据。得到证据后，模型还会用批判器（Critic）评估证据与当前答案是否一致、是否有支持度。如果批判器分数低，模型就换一段证据或重新生成。整个过程像小R在草稿纸上反复勾选“证据充分/证据不足”。

把这种检索与反思机制写成概率模型，生成每个词元时都要综合检索决策和批判分数。

小R从此不再是“埋头抄书”的助理，而是一位边写边自查的研究者。Self-RAG的关键贡献，是把“要不要检索”和“答得可不可信”这两件事，变成模型可以自己学习、自己控制的动作。

p(y_t \mid x, y_{<t}) = \sum_{z_t} p(z_t \mid x, y_{<t})\, p(y_t \mid x, y_{<t}, z_t)\, r_t

相当于小R每写一个词，都要先决定“要不要再跑一趟图书馆”，再把找到的资料与批判员的评价一起作为依据。

当前生成词 y_t正在生成的第 t 个词或片段。
$y_t$
检索决策 z_t模型决定是否检索、检索什么内容。
$z_t \sim \text{Retriever}(x, y_{<t})$
批判分数 r_t批判器判断证据与答案是否匹配。
$r_t = \text{Critic}(x, z_t, y_t)$
全概率整合对所有检索决策加和，并用批判分数加权。
$\displaystyle \sum_{z_t} p(z_t \mid x, y_{<t})\, p(y_t \mid x, y_{<t}, z_t)\, r_t$

4. Agentic RAG智能体：从跑腿助理到自主研究员

随着任务越来越复杂，小R已经不满足于“回答一个问题”。老板给他一个目标：“调研一下智能座舱的市场机会。”他需要先拆解子问题：市场规模、主要玩家、技术路线、政策风险……然后依次检索、阅读、整理，甚至调用一个计算工具做数据对比。这种能自主规划并执行多步任务的系统，就是Agentic RAG，也叫智能体化RAG。

与普通RAG最大的区别是：普通RAG“一问一检”，智能体RAG则能维护一个记忆，记住已经查到的结论和尚未回答的子问题，动态决定下一步是检索、推理还是直接回答。它还可以调用外部工具，比如计算器、数据库查询接口或API。整套流程不再是静态流水线，而是一个不断循环“规划—行动—观察”的过程。

智能体的每一步行动都由策略网络根据当前历史轨迹决定。

Agentic RAG让小R真正成为“半个研究员”。它能处理多跳问题，也能在信息不足时主动补充检索。这也是RAG与搜索融合最关键的一步：从“被动搜索”走向“主动探索”。

a_t = \pi_{\theta}(a_t \mid h_t), \quad h_t = (q, r_1, a_1, \dots, a_{t-1})

你会发现，小R不再是“只跑腿”的图书馆助理，而是自己拿着任务清单、边做边记笔记的研究员。

历史轨迹 h_t到目前为止的问题、检索结果和已执行动作。
$h_t$
策略网络 π根据历史轨迹决定下一步行动。
$\pi_{\theta}(a_t \mid h_t)$
行动 a_t可以是检索、推理、工具调用或给出最终答案。
$a_t$

5. 多模态与长文档：能看图的图书馆

过去小R只能阅读纯文本的书，可老板办公室的资料里还有产品结构图、市场图表、会议录音。为了让小R能处理这些资料，图书馆升级成了“多模态资料库”。多模态RAG就是在这样的背景下出现的：它不仅检索文字片段，还可以检索图片、表格、音频和视频中的语义片段。

技术上的关键是跨模态对齐——把不同模态的内容映射到同一个向量空间，让“一张锂电池结构图”和文字描述“锂电池由正极、负极、隔膜组成”在向量空间里距离很近。同时，面对动辄几十页的长文档，系统还需要设计合适的分块策略，防止关键信息被截断，也要避免把无关内容塞进同一个片段。

跨模态对齐最常用的方式是对比学习，让匹配的图文对向量更接近，不匹配的更远。

多模态与长文档处理的加入，让小R的服务范围大幅扩展。从产品说明书解读到视频内容问答，RAG不再被束缚在纯文字世界里。

s(q, d) = \frac{\phi(q)^{\top} \psi(d)}{\|\phi(q)\| \|\psi(d)\|}

通俗地讲，小R现在既会“读文字”，也会“看图”，还能把图和文联系起来。只要语义相关，无论它藏在哪本书、哪张图里，都能被找到。

文本编码 φ把文本查询映射成一个向量。
$\phi(q)$
多模态编码 ψ把图片、音频或视频映射到同一向量空间。
$\psi(d)$
余弦相似度用点积除以两个向量模长，衡量对齐程度。
$\frac{\phi(q)^{\top} \psi(d)}{\|\phi(q)\| \|\psi(d)\|}$

6. 长上下文互补：记忆极好也要及时查证

有些学者认为，新一代大模型已经能读几十万字的上下文，那为什么还需要RAG？我们可以把长上下文模型看作一位“记忆极好”的专家，把RAG看作一位“勤于查资料”的助理。专家确实能一次读完整个产品手册，但手册如果今天刚更新了一页，专家的记忆还停在旧版本；助理则能实时跑图书馆核对最新修订。

因此，长上下文与RAG是互补关系。长上下文模型擅长把大量信息一次性装进“工作台”；RAG擅长按需把最新、最相关的证据放到工作台上。实际系统常采用混合架构：先用RAG检索候选证据，再把足够长的证据整段塞进长上下文模型，让模型基于完整证据做推理。这样既控制了检索成本，又利用了长上下文的全局阅读能力。

我们可以用一个简单公式理解为什么两者配合更稳妥：答对题目的概率等于“证据在上下文里的概率”乘以“模型能从上下文里抽出证据的概率”。

因此，讨论“长上下文会不会取代RAG”是个伪命题。未来更有价值的思路是让两者协作：用长上下文扩展视野，用检索增强保持实时与可溯源。

\text{Acc} = \mathbb{P}(\text{context contains answer}) \times \mathbb{P}(\text{model extracts answer})

长上下文负责提高“证据装得下”的概率，RAG负责提高“证据找得到”的概率，两者相乘，最终准确率自然更高。

上下文含答案概率正确答案是否被塞进上下文。
$\mathbb{P}(\text{context contains answer})$
模型提取答案概率模型能否从上下文中准确摘出答案。
$\mathbb{P}(\text{model extracts answer})$
乘积关系两件事同时成立才能答对。
$\text{Acc} = \ldots \times \ldots$

7. 趋势与落地：少说错话，句句有出处

小R的成长故事最终要回答两个问题：老板凭什么相信他的报告？报告出了问题能不能追责？这正是RAG落地中最受关注的趋势——降低幻觉与提升可溯源性。传统大模型回答问题时可能“一本正经地胡说八道”，而RAG因为每句话都来自检索证据，天然更容易溯源。

为了让“可信”变得可衡量，业界正在建立一套评估体系，其中最核心的指标之一是忠实度（faithfulness）：生成答案中有多少论点能在检索文档里找到依据。除此之外，还需要评估答案相关性、召回率、拒绝回答的准确性等维度。

忠实度的计算公式非常直观：有证据支撑的论点数占总论点数的比例。

RAG的未来方向不会停留在“把答案生成得更准”，而是走向“可解释、可控制、可迭代”。小R最终会成为老板最信任的研究助理，因为他的每一句话都能翻开原始材料给你看。

---

\text{Faithfulness} = \frac{|\{a_i \in A : \text{grounded in } D\}|}{|A|}

这就像一个审稿人逐句批注：“这句依据在哪？那句出处可疑？”占比越高，报告越可信。

答案集合 A模型生成的全部论点或句子。
$A = \{a_1, a_2, \dots\}$
证据支撑判断判断每个论点是否能在检索文档 D 中找到依据。
$\text{grounded in } D$
占比有依据的论点数量除以总论点数量。
$\frac{|\{a_i \in A : \text{grounded in } D\}|}{|A|}$

AI 应用场景

企业知识库问答助手

阶段：检索与生成链路设计

解决的问题：传统企业知识库靠关键词搜索，员工搜不到跨文档的答案；直接问大模型又容易得到没有出处的“胡话”。GraphRAG通过知识图谱把散落文档中的实体和关系串起来，让助手能回答“A产品和B产品在供应链上有什么关联”这类跨文档问题。

具体案例：某大型制造企业用GraphRAG构建产品与供应商知识图谱，员工提问“某型号电池的正极材料供应商是谁？”系统先在图谱上找“电池—正极—供应商”路径，再结合对应文档生成回答，并附出处链接。

智能客服质检与纠错

阶段：生成阶段的可信度控制

解决的问题：客服机器人在回答医保报销政策时，一旦检索到过期政策就会误导用户。Self-RAG让模型在生成每句话之前判断“证据够不够”，批判器再对答案做一次可信度评分，低分答案触发重新检索。

具体案例：某政务服务中心上线Self-RAG客服，用户问“门诊报销比例是多少”，系统检索到多份政策文件后，批判器发现其中一份已废止，于是丢弃该证据并重新检索最新文件，最终给出带生效日期的回答。

多模态文档审计

阶段：多模态检索与证据融合

解决的问题：合规审计需要同时阅读合同扫描件、产品图片、录音摘要和表格，纯文本RAG无法覆盖。多模态RAG把图文音视频统一编码，再结合长上下文模型做整体判断。

具体案例：某会计师事务所使用多模态RAG审计招投标材料，审计员提问“投标方是否在业绩证明中提供了符合要求的验收报告图片？”系统检索与评分表匹配的文字段落和图片证据，并列出全部参考来源。

Python 演示

python63 行

"""A tiny Self-RAG style simulation.""" import mathfrom collections import Counter  def tokenize(text):    return [ch for ch in text if ch.strip()]  def cosine_score(query, doc):    q_vec = Counter(tokenize(query))    d_vec = Counter(tokenize(doc))    common = set(q_vec) & set(d_vec)    dot = sum(q_vec[c] * d_vec[c] for c in common)    q_norm = math.sqrt(sum(v * v for v in q_vec.values()))    d_norm = math.sqrt(sum(v * v for v in d_vec.values()))    if q_norm == 0 or d_norm == 0:        return 0.0    return dot / (q_norm * d_norm)  class SimpleSelfRAG:    def __init__(self, documents):        self.docs = documents     def retrieve(self, query, top_k=2):        scored = [(cosine_score(query, doc), doc) for doc in self.docs]        scored.sort(key=lambda item: item[0], reverse=True)        return scored[:top_k]     def reflect(self, query, results, threshold=0.15):        if not results:            return True        best_score = results[0][0]        return best_score < threshold     def expand_query(self, query):        return query + " 检索 增强"     def generate(self, query, evidence):        return "基于资料：" + "；".join(evidence) + "。结论：" + query.strip("？?") + "需要结合检索证据判断。"     def answer(self, query):        results = self.retrieve(query)        evidence = [doc for _, doc in results]        if self.reflect(query, results):            results2 = self.retrieve(self.expand_query(query))            evidence.extend(doc for _, doc in results2)        return self.generate(query, evidence)  if __name__ == "__main__":    docs = [        "RAG通过检索外部知识增强语言模型生成，降低幻觉。",        "GraphRAG构建知识图谱提升全局推理能力。",        "SelfRAG让模型在生成时自我反思并按需检索。",        "Agentic RAG让智能体自主规划多步检索路径。",        "长上下文模型能读长文档但检索成本高。",    ]    rag = SimpleSelfRAG(docs)    print(rag.answer("什么是RAG？"))    print(rag.answer("怎样减少幻觉？"))

目的：实现一个简化版Self-RAG流程：先检索打分，再用“反思”判断是否需要补充检索，最后结合证据生成回答。

def reflect(self, query, results, threshold=0.15):模拟Self-RAG的反思模块，最高相关分低于阈值就触发二次检索。
results = self.retrieve(query)先用简单字符向量相关性从知识库里找候选片段。
evidence.extend(doc for _, doc in results2)反思后补充新证据，体现“按需检索”。
return self.generate(query, evidence)最终生成时把所有证据拼接进上下文，模拟RAG的生成阶段。
if __name__ == "__main__":提供可直接运行入口，演示两个常见问题。

常见误区

误区我以为GraphRAG只是把文档塞进知识图谱，然后像普通检索一样查一下节点就行了，没什么特别的。

正解GraphRAG的核心不仅是“建图”，还要在图结构上做消息传递和社区摘要。否则孤立地查单个实体，和普通关键词检索没有本质区别。真正让GraphRAG强大的是跨实体、跨社区的全局推理。

为何常见：因为“知识图谱”这个词听起来很具体，初学者容易只关注建图本身，忽略了图算法和社区检测才是价值所在。

误区Self-RAG不就是在Prompt里加一句“请检查你的回答是否靠谱”吗？这不就是提示词工程？

正解Self-RAG需要专门训练模型和批判器，让模型学会输出检索决策标记和评估分数。它改变的是模型内部的生成机制，而不是靠提示词让模型“自觉”。

为何常见：很多人接触过大模型的自我纠错提示，误以为所有反思都能靠上下文实现，忽略了Self-RAG要改动训练目标。

误区Agentic RAG无非是循环调用检索接口，查不到就再来一次，直到有结果为止。

正解Agentic RAG的核心是规划、记忆和工具调用。它需要把大任务拆成子问题，记住哪些已经解决，还能调用计算器、数据库等工具。单纯重复检索只是“重试”，不是“自主研究”。

为何常见：因为很多入门教程只展示“检索失败就重新检索”的简单循环，让人以为多步调用就是智能体。

误区既然模型能读几十万字，把整个文档库都塞进上下文不就行了？RAG迟早会被淘汰。

正解长上下文的成本随长度快速上升，而且每次换新知识都可能要重新处理整个数据库。RAG在实时更新、成本控制、证据溯源方面仍然有不可替代的优势。两者更可能是互补关系。

为何常见：人们容易被“超长上下文”的宣传吸引，忽略了时效性、成本和可解释性问题。

误区只要模型输出看起来流畅，RAG系统就算做好了，指标不重要。

正解RAG系统需要同时评估检索质量（召回率、命中率）、生成质量（答案相关性）和忠实度（是否有证据支撑）。没有评估，低质量证据导致的高置信错误会很难发现。

为何常见：传统搜索看“排得准不准”，大模型看“说得通不通”，RAG夹在中间，初学者容易沿用单一指标。

面试题

Q1. RAG中检索器的主要作用是什么？

单选题 · easy

A.直接生成最终答案
B.从知识库筛出相关片段← 正确答案
C.对答案进行翻译改写
D.重新解释用户问题

答案：B。RAG的核心是先检索后生成，检索器负责从知识库中找出与问题相关的文档片段，而不是生成或改写答案。生成器才负责产出最终回答，翻译和改写也不是检索器的职责。

Q2. GraphRAG相比朴素RAG的关键增强是什么？

单选题 · easy

A.引入知识图谱结构← 正确答案
B.增大模型参数量
C.使用更长提示文本
D.扩展模型词汇表

答案：A。GraphRAG在文档之上构建知识图谱，通过实体和关系连接分散信息。增大参数量、拉长Prompt、扩展词表都是模型层面的改动，不是GraphRAG带来的增强。

Q3. Self-RAG中的“反思”主要指什么？

单选题 · mid

A.生成之后再重写一遍
B.生成中判断检索与可靠性← 正确答案
C.请人类审核检索结果
D.对文档做相关排序

答案：B。Self-RAG让模型在生成过程中输出检索决策，并用批判器评估证据与答案的可靠性。它不是事后再改稿，也不是让人类介入，更不是普通的文档排序。

Q4. Agentic RAG与普通RAG最大的区别是什么？

单选题 · mid

A.支持多语言问答
B.自主规划多步检索工具← 正确答案
C.只使用向量数据库
D.不需要检索器组件

答案：B。Agentic RAG具备规划能力，可以把任务拆解并自主决定何时检索、何时推理、何时调用工具。多语言、向量数据库、甚至去掉检索器都不构成“智能体化”的核心差异。

Q5. 长上下文模型相比RAG的主要劣势是什么？

单选题 · mid

A.无法理解复杂中文
B.实时更新与溯源成本高← 正确答案
C.生成速度相对更快
D.数学推理能力较弱

答案：B。长上下文模型每次处理新知识都要重新吞入大量文本，成本高，且不容易标注答案出自哪里。RAG可以按需检索最新文档并提供出处，这正是长上下文模型相对薄弱的环节。

Q6. 多模态RAG中跨模态对齐通常通过什么方式实现？

单选题 · hard

A.将文本全部转成图片
B.对比学习让视觉文本对齐← 正确答案
C.把图片变成短视频
D.直接拼接原始像素

答案：B。跨模态对齐常用对比学习，把文本与图像等不同模态映射到同一向量空间，使语义相近的内容距离更近。转成图片、变成视频或直接拼接像素都没有真正解决语义对齐问题。

Q7. 评估RAG忠实度时，核心衡量的内容是什么？

单选题 · extreme

A.生成内容是否足够简洁
B.答案是否有检索证据支持← 正确答案
C.检索过程耗时是否最短
D.模型是否记忆训练数据

答案：B。忠实度衡量生成答案中的论点能否在检索文档里找到依据。简洁性、耗时和训练数据记忆都不属于忠实度定义范围，因此正确选项是有证据支撑。

Q8. 下列哪些属于RAG前沿方向？

多选题 · mid

A.知识图谱增强检索← 正确答案
B.自我反思检索← 正确答案
C.模型微调与蒸馏
D.智能体自主检索← 正确答案

答案：ABD。GraphRAG、Self-RAG和Agentic RAG都是摘要中提到的RAG前沿方向。模型微调与蒸馏属于模型训练技术，不是RAG特有的前沿分支。

Q9. 为什么RAG和长上下文可以互补？

多选题 · mid

A.长上下文增强记忆能力← 正确答案
B.检索提供实时溯源← 正确答案
C.两者都无需训练
D.组合解决长文档难题← 正确答案

答案：ABD。长上下文模型擅长把海量信息纳入阅读范围，RAG擅长实时检索与证据溯源，两者结合可以更好地处理长文档。“无需训练”不是互补成立的原因，两者是否训练并不决定互补关系。

Q10. 构建Agentic RAG系统通常需要哪些能力？

多选题 · hard

A.任务规划能力← 正确答案
B.工具调用能力← 正确答案
C.记忆管理能力← 正确答案
D.减少模型参数量

答案：ABC。Agentic RAG要让智能体拆解任务、调用外部工具，并记住已完成和待办步骤，因此规划、工具调用和记忆管理都缺一不可。减少参数量是优化部署的手段，不是构建智能体能力的必要项。