问答题【129/1935】为什么 Agent 经常需要结合 RAG?

难度:
2026-06-08 创建
想动手验证一下?打开练习场,写代码、看结果。在线练习

参考答案:

Agent 经常需要结合 RAG,本质原因是:Agent 不只是生成文本,而是要在具体场景里持续做判断、拆任务、调用工具、执行动作。这个过程对上下文的准确性、时效性和可追溯性要求很高,而单纯依赖大模型参数里的知识通常不够。

大模型本身的知识是训练时固化下来的,无法天然知道企业内部文档、最新业务规则、实时数据、用户历史记录、代码库现状或产品配置。Agent 如果要处理真实任务,比如分析项目代码、回答内部制度、生成业务方案、操作后台系统,就必须先拿到和当前任务相关的外部信息。RAG 正好提供了这种能力:先检索相关资料,再把资料作为上下文交给模型推理。

另外,Agent 的执行链路通常是多轮的。它可能先理解问题,再规划步骤,再检索资料,再调用工具,最后输出结果或执行动作。如果缺少 RAG,Agent 很容易在中间步骤基于不完整信息做出错误判断,甚至产生幻觉。RAG 能把 Agent 的推理过程“落地”到可验证的信息源上,让回答和决策更可靠。

RAG 还有一个很重要的价值是突破上下文窗口限制。很多任务涉及大量文档、代码、日志、知识库内容,不可能一次性全部塞进 prompt。通过检索,Agent 可以按需拿到最相关的片段,相当于给 Agent 配了一个可查询的外部记忆系统。

从工程角度看,RAG 也让 Agent 更容易接入企业知识和权限体系。比如不同用户能访问的文档不同,检索阶段可以先做权限过滤,再把合法内容交给模型。这样既能提升回答质量,也能避免敏感信息泄露。

不过,RAG 不是简单地加一个向量库就结束。真正可用的 Agent + RAG 通常还要处理检索召回、重排序、上下文压缩、引用来源、数据更新、权限控制和效果评估。否则检索错了,Agent 后面的推理也会被带偏。

最近更新时间:2026-11-17

赞赏支持

题库维护不易,您的支持就是我们最大的动力!