Pipeline RAG 的沉默失败前面十几篇一直在优化一件事：怎么让检索结果更好。更好的分块、更精准的排序、更聪明的问法、CRAG 纠偏、Graph RAG 关系遍历……但有一件事始终没变：无论检索结果好不好，都会被传给 LLM 生成答案。Pipeline RAG 的流程是线性的、固定的：问题 → 向量检索 → top-4 文档 → LLM 生成它没有一个步骤回头问：“这次检索到的内容，真的足以回答问题吗？”结果是什么？当知识库没有相关内容时，LLM 拿着 4 篇不相关的文档，要么生成幻觉答案，要么说"根据参考资料无法回答"。系统不知道自己失败了，只是"安静地"交出了一个错误答案。这是 Pipeline RAG 的沉默失败。Agentic RAG 的核心思想Agentic RAG 做了一件事：给系统加上能动性（agency）。具体体现在三点：1. 检索是工具，不是固定步骤向量检索、图谱遍历、网络搜索——不是"都用"或"固定用一种"，而是根据问题类型动态选择。问事实问题用向量检索，问关系问题用图遍历，问时效性问题用网络搜索，问常识问题直接生成——这本来就是人类在检索时的做法。2. 检索后有反思执行检索后，Agent 不急着生成答案，而是先评估：这次拿到的上下文，对回答这个问题有多大帮助？如果分数低于阈值，就认为这次检索失败了。3. 失败可以纠正质量不够，换策略重试。向量检索没找到好内容？试试图遍历，或者直接去网上搜。这个重试循环有上限（本文是 2 次），防止无限循环。这三点合在一起，就从"固定流水线"变成了"有反馈的决策循环"。LangGraph 图结构问题 ↓ [classify] → 分析问题类型，选初始策略 事实型 → vector 关系型 → graph 时效型 → web 常识型 → direct ↓ [retrieve] → 执行选定策略（三个独立节点） ↓ [evaluate] → 打质量分（0.0~1.0），阈值 0.6 ↓ ≥0.6 ──yes──→ [generate] → 最终答案 │ no（尝试次数 2） ↓ [re_route] → 按 vector → graph → web 顺序选下一个未用过的策略 ↓ [retrieve] again... ↓ （最多 2 次后无论如何都进 generate）直接生成路径（direct_generate）绕过所有检索节点，到达 END。关键节点实现State：执行轨迹是调试的眼睛classAgenticRAGState(TypedDict):question:strstrategy:str# "vector" | "graph" | "web" | "direct"tried_strategies:list[str]# 已尝试过的策略列表，防止重复retrieved_docs:list[Document]quality_score:float# evaluate 节点打分 0.0~1.0answer:strpath:list[str]# 执行轨迹，如 ["classify→graph", "graph_retrieve", ...]path是调试利器——运行结束后可以看到每条问题走了哪条路径，哪里触发了 re-route，质量分是多少。这在分析 Agent 行为时比最终指标更有价值。classify 节点：问题分类决定策略起点CLASSIFY_PROMPT=ChatPromptTemplate.from_messages([("system","判断以下问题最适合哪种检索策略，只输出策略名，不加解释：\n\n""vector - 需要检索知识库，事实型（定义、参数、步骤、比较）\n""graph - 需要检索知识库，涉及多实体关系（来自哪里、谁开发了什么）\n""web - 需要最新信息（最新版本、近期论文、今日新闻）\n""direct - 不需要检索（常识、数学、翻译、编程语法）"),("human","问题：{question}"),])defclassify_node(state):raw=classify_chain.invoke({"question":state["qu
RAG 系列（十七）：Agentic RAG——让 Agent 主导检索过程
Pipeline RAG 的沉默失败前面十几篇一直在优化一件事：怎么让检索结果更好。更好的分块、更精准的排序、更聪明的问法、CRAG 纠偏、Graph RAG 关系遍历……但有一件事始终没变：无论检索结果好不好，都会被传给 LLM 生成答案。Pipeline RAG 的流程是线性的、固定的：问题 → 向量检索 → top-4 文档 → LLM 生成它没有一个步骤回头问：“这次检索到的内容，真的足以回答问题吗？”结果是什么？当知识库没有相关内容时，LLM 拿着 4 篇不相关的文档，要么生成幻觉答案，要么说"根据参考资料无法回答"。系统不知道自己失败了，只是"安静地"交出了一个错误答案。这是 Pipeline RAG 的沉默失败。Agentic RAG 的核心思想Agentic RAG 做了一件事：给系统加上能动性（agency）。具体体现在三点：1. 检索是工具，不是固定步骤向量检索、图谱遍历、网络搜索——不是"都用"或"固定用一种"，而是根据问题类型动态选择。问事实问题用向量检索，问关系问题用图遍历，问时效性问题用网络搜索，问常识问题直接生成——这本来就是人类在检索时的做法。2. 检索后有反思执行检索后，Agent 不急着生成答案，而是先评估：这次拿到的上下文，对回答这个问题有多大帮助？如果分数低于阈值，就认为这次检索失败了。3. 失败可以纠正质量不够，换策略重试。向量检索没找到好内容？试试图遍历，或者直接去网上搜。这个重试循环有上限（本文是 2 次），防止无限循环。这三点合在一起，就从"固定流水线"变成了"有反馈的决策循环"。LangGraph 图结构问题 ↓ [classify] → 分析问题类型，选初始策略 事实型 → vector 关系型 → graph 时效型 → web 常识型 → direct ↓ [retrieve] → 执行选定策略（三个独立节点） ↓ [evaluate] → 打质量分（0.0~1.0），阈值 0.6 ↓ ≥0.6 ──yes──→ [generate] → 最终答案 │ no（尝试次数 2） ↓ [re_route] → 按 vector → graph → web 顺序选下一个未用过的策略 ↓ [retrieve] again... ↓ （最多 2 次后无论如何都进 generate）直接生成路径（direct_generate）绕过所有检索节点，到达 END。关键节点实现State：执行轨迹是调试的眼睛classAgenticRAGState(TypedDict):question:strstrategy:str# "vector" | "graph" | "web" | "direct"tried_strategies:list[str]# 已尝试过的策略列表，防止重复retrieved_docs:list[Document]quality_score:float# evaluate 节点打分 0.0~1.0answer:strpath:list[str]# 执行轨迹，如 ["classify→graph", "graph_retrieve", ...]path是调试利器——运行结束后可以看到每条问题走了哪条路径，哪里触发了 re-route，质量分是多少。这在分析 Agent 行为时比最终指标更有价值。classify 节点：问题分类决定策略起点CLASSIFY_PROMPT=ChatPromptTemplate.from_messages([("system","判断以下问题最适合哪种检索策略，只输出策略名，不加解释：\n\n""vector - 需要检索知识库，事实型（定义、参数、步骤、比较）\n""graph - 需要检索知识库，涉及多实体关系（来自哪里、谁开发了什么）\n""web - 需要最新信息（最新版本、近期论文、今日新闻）\n""direct - 不需要检索（常识、数学、翻译、编程语法）"),("human","问题：{question}"),])defclassify_node(state):raw=classify_chain.invoke({"question":state["qu
