传统 RAG 存在许多问题：
它只检索一次并生成一次。如果上下文信息不足，无法动态搜索更多信息。
无法处理复杂查询的推理问题。
系统无法根据问题调整其策略。
Agentic RAG 尝试解决这些问题。
以下图示展示了它与传统 RAG 的不同之处。
核心思想是在 RAG 的每个阶段引入智能化（Agentic）行为。
第 1-2 步）Agent 会重写查询（如纠正拼写错误等）。
第 3-8 步）Agent 决定是否需要更多上下文信息：
如果不需要，重写后的查询直接发送给 LLM。
如果需要，智能代理会找到最佳的外部来源以获取上下文，并将其传递给 LLM。
第 9 步）系统生成响应。
第 10-12 步）智能代理检查答案是否相关：
如果相关，则返回响应。
如果不相关，则返回第 1 步重新开始。
这一过程会重复几次，直到得到合适的回答，或者系统承认无法回答该查询为止。
这使得 RAG 更加健壮，因为 Agent 可以确保每个环节的结果都与目标一致。
需要说明的是，上图只是 Agentic RAG 系统众多架构之一。
你可以根据具体的使用场景对其进行调整和适配。
