六、RAG 与知识增强（Q38–Q42）
Q38：Agentic RAG 和传统 RAG 的本质区别
面试官：「2026 年大家都不谈 RAG 了，都在说 Agentic RAG。你觉得区别在哪？」
高分回答：
「传统 RAG 和 Agentic RAG 的区别，就像自动售货机和厨师的区别。」
传统 RAG 是『一次性检索』。用户提问 → embedding 检索一次 → 取 top-K 文档 → 拼到 Prompt 里 → LLM 生成回答。整个过程是一条直线，没有反馈、没有调整、没有自我纠错。如果第一次检索没命中，就输了。传统 RAG 的典型问题是——用户问『上个月销量为什么下降了？』，系统检索到一堆『销量下降』的通用文档，但没有一篇真正解释原因，LLM 就只能基于不相关的文档东拼西凑。
Agentic RAG 是『多轮自适应检索』。Agent 拿到问题后，不是直接检索——而是先推理『要回答这个问题，我需要知道什么？』，然后构造检索 query，拿到结果后评估『这些信息够不够？哪里还有缺失？』，如果不够就换个角度再检索，或者从检索结果中提取新线索继续深挖。这个过程可以迭代多次——检索 → 评估 → 调整策略 → 再检索，直到收集到足够的信息。
具体来说，Agentic RAG 多了三个核心能力：
能力一：查询重构。