Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG

大型语言模型（LLMs）通过实现类人的文本生成和自然语言理解，彻底改变了人工智能（AI）。然而，它们依赖静态训练数据的特性限制了其应对动态、实时查询的能力，导致输出结果可能过时或不准确。检索增强生成（RAG）作为一种解决方案应运而生，通过整合实时数据检索，增强了LLMs，提供了上下文相关且最新的响应。尽管前景广阔，传统的RAG系统受限于静态工作流程，缺乏多步骤推理和复杂任务管理所需的适应性。 代理型检索增强生成（Agentic RAG）通过将自主AI代理嵌入RAG管道，超越了这些限制。这些代理利用代理设计模式中的反思、规划、工具使用和多代理协作，动态管理检索策略，迭代优化上下文理解，并调整工作流程以满足复杂任务需求。这种集成使Agentic RAG系统在各种应用场景中展现出无与伦比的灵活性、可扩展性和上下文感知能力。 本综述全面探讨了Agentic RAG，从其基本原理和RAG范式的演变开始。它详细分类了Agentic RAG架构，突出了其在医疗、金融和教育等行业的关键应用，并考察了实际实施策略。此外，还讨论了扩展这些系统的挑战，确保伦理决策，并优化其在现实世界应用中的性能，同时提供了关于实现Agentic RAG的框架和工具的详细见解。

该论文试图解决大型语言模型（LLMs）依赖静态训练数据导致的响应不准确和过时的问题，特别是在处理动态、实时查询时。此外，传统的检索增强生成（RAG）系统在多步推理和复杂任务管理方面存在局限性。

关键思路是引入代理增强型检索增强生成（Agentic RAG），通过嵌入自主AI代理到RAG管道中，利用反射、规划、工具使用和多代理协作等设计模式，动态管理检索策略，迭代优化上下文理解，并适应复杂任务需求。相比现有研究，Agentic RAG提供了更高的灵活性、可扩展性和上下文感知能力。

论文详细探讨了Agentic RAG的基础原理及其架构分类，展示了其在医疗、金融和教育等行业的应用案例。实验设计包括对不同代理设计模式的评估，以及在实际场景中的性能测试。论文还讨论了实现这些系统的挑战，如规模化、伦理决策和性能优化，并提供了框架和工具的建议。值得注意的是，论文呼吁进一步研究如何更好地集成多代理协作和动态工作流管理。

近期相关研究包括《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》和《Agent-Based Models for Conversational AI》。其他相关工作还包括《Dynamic Workflows in Autonomous Agents》和《Ethical Decision Making in AI Systems》。