Agent 工程化系列 · 第 14 篇RAG 和 Agent 是什么关系RAG 不是 Agent但 Agent 离不开 RAG。目录01 为什么要把 RAG 和 Agent 放在一起讲02 RAG 先解决的是什么问题03 Agent 和 RAG 的边界在哪里04 三种常见组合模式05 Agentic RAG 的最小架构06 工程落地要注意什么07 最后总结01 为什么要把 RAG 和 Agent 放在一起讲现在很多产品一提到“企业知识库”“智能问答”“文档助手”都会说自己做了 Agent。但从工程上看很多系统其实只是 RAG 应用。RAG 解决的是知识问题Agent 解决的是任务推进问题。RAG 是“先找资料再回答”Agent 是“围绕一个目标自己决定下一步做什么”。02 RAG 先解决的是什么问题LLM 有三个边界训练数据有截止时间上下文窗口有限对企业内部资料、私有文档、实时数据并不知道。RAG 的基本思路是回答前先从外部知识库里找相关信息再把这些信息交给模型。03 Agent 和 RAG 的边界在哪里RAG 是知识获取模块Agent 是任务编排与执行系统。04 三种常见组合模式固定 RAG用户提问系统检索知识库再让模型生成回答。RAG 作为工具Agent 根据任务需要决定是否调用知识检索工具。Agentic RAGAgent 做查询改写、数据源路由、多轮检索、证据检查和结果整合。05 Agentic RAG 的最小架构Agentic RAG 的价值不在于“多查几次”而在于让系统具备动态信息获取能力。06 工程落地要注意什么真正上线时RAG 拼的不是“向量库”而是数据治理、检索质量、权限边界和答案可追溯。07 最后总结LLM 是负责理解和生成的大脑。RAG 是负责接入外部知识的知识入口。Agent 是负责围绕目标持续推进的执行系统。RAG 让 Agent 知道更多Agent 让 RAG 用得更聪明。参考技术资料OpenAI Retrieval / Vector Stores / File Search 文档OpenAI Agents SDKTools 与工具调用说明LangChain / IBM 对 Agentic RAG 的解释Anthropic Contextual Retrieval 工程文章
