Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG

作者：Aditi Singh; Abul Ehtesham; Saket Kumar; Tala Talaei Khoei; Athanasios V. Vasilakos · 年份：2026 · 页数：42 · 语言：zh-CN

Aditi Singh 计算机科学系 Abul Ehtesham 肯特州立大学克利夫兰州立大学肯特，俄亥俄州，美国 aehtesha@kent.edu 克利夫兰，俄亥俄州，美国 a.singh22@csuohio.edu

阅读中文版中英双语阅读原文网页

1 引言
2 检索增强生成基础
2.1 检索增强生成（RAG）概述
2.2 RAG的核心组件
2.3 RAG范式的演进
2.4 传统RAG系统的挑战与局限
2.5 智能体RAG：范式转变
3 智能体智能的核心原理与背景
3.1 反思
3.2 规划
3.3 工具使用
3.4 多智能体
4 智能体工作流模式：动态协作的自适应策略
4.1 提示链：通过顺序处理提升准确性
4.2 路由：将输入导向专门化流程
4.3 并行化：通过并发执行加速处理
4.4 编排器-工作者：动态任务委派
4.5 评估器-优化器：通过迭代优化输出
5 智能体RAG系统分类
5.1 单智能体智能体RAG：路由器
5.2 多智能体智能体RAG系统：
5.3 分层智能体RAG系统
5.4 智能体纠正型RAG
5.5 自适应智能体RAG
5.6 基于图的智能体RAG
5.7 智能体RAG中的智能体文档工作流
6 智能体RAG框架比较分析
7 智能体RAG的应用
7.1 客户支持与虚拟助手
7.2 医疗保健与个性化医疗
7.3 法律与合同分析
7.4 金融与风险分析
7.5 教育与个性化学习
7.6 多模态工作流中的图增强应用
8 面向智能体RAG的工具与框架
9 智能体RAG框架的比较分析
9.1 比较洞察与设计权衡
10 经验教训与实践指导
10.1 智能体RAG并非总是默认的正确选择
10.2 架构选择强烈影响系统行为
10.3 检索质量仍是主要瓶颈
10.4 智能体自主性需要显式约束
10.5 评估必须考虑过程，而不仅仅是结果
10.6 领域知识显著增强智能体优势
10.7 迈向智能体RAG的负责任部署
11 基准测试与数据集
12 智能体RAG的开放研究问题与未来挑战
12.1 智能体协调、控制与涌现行为
12.2 超越输出质量的评估方法论
12.3 内存管理与长期适应
12.4 计算成本、效率与可持续性
12.5 自主RAG系统中的安全、信任与治理
12.6 跨领域与任务的泛化
13 结论

Book Library

Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG

目录