什么是 Agentic RAG？和固定管线比强在哪、贵在哪？
谁在问：头部 AI 公司一二面；2026 年 RAG 话题的新标配问题
口语化问法
- 你了解 Agentic RAG 吗？和普通 RAG 有什么不一样？
- 什么情况下固定的检索管线不够用？
- Agentic RAG 成本会涨多少？你们怎么控？
考察意图
2026 年这个概念的知晓率已经很高，能背定义不构成优势。面试官真正在看：① 你能不能说清「贵在哪」——只讲优点的回答一律判为二手知识；② 你有没有「什么时候不该用」的判断；③ 有没有中间方案的意识——不是只有「固定管线」和「全 Agent」两个极端。
参考答案
60 分答案（及格线）
传统 RAG 是固定流水线：检索一次 → 生成。Agentic RAG 把检索变成 Agent 的工具，由模型自己决策：判断需不需要检索、检索什么、看完结果够不够、不够就换个角度或换个数据源再检索一轮，直到能回答为止。
强在动态多轮检索（根据中间结果决定下一步）、多数据源组合（向量库、BM25、SQL、Web 搜索按需调用）、自我修正（结果不相关时能重来，而不是硬拿噪音作答）。适合多跳推理、多文档对比这类固定管线答不了的问题。
90 分答案（有生产经验的回答）
补三层：
说清关键组件：Router（判断 query 类型路由到合适数据源）、多个 Retriever、Memory（维护对话历史支持上下文感知检索）、ReAct 循环（思考-行动-观察，迭代至答案完整）。
贵在哪（必答的另一半）：
- 成本：每次决策都要调一次 LLM，整体可能是传统 RAG 的数倍。
- 延迟：多轮循环让首字延迟从几百毫秒涨到秒级，对话式产品要慎重。
- 稳定性：模型的决策能力仍不够可靠，会出现「明明该检索却直接答」「反复检索同一个东西」，必须设最大轮次和 token 预算兜底。
给中间方案（最加分的一层）：不必每次都让 LLM 深度思考——预定义几种检索策略，用轻量分类器选择，只在复杂 query 上启用完整 Agent 循环。既拿到大部分收益，又避免成本失控。这个「简化版 Agentic」的判断，比复述架构图有价值得多。
再补一句定位：到 2026 年 Agentic RAG 已被广泛视为企业复杂问答落地的事实标准，但「事实标准」指的是复杂场景——80% 的常规单跳问答，Advanced RAG 仍然够用且更便宜。
追问链
怎么防止它无限循环烧钱？
期望硬上限：最大检索轮次（3–5 轮）、总 token 预算、单次请求超时；检测重复检索（同一 query 检两次强制终止）；到顶后降级为「基于已有材料尽力回答 + 说明信息可能不完整」，不是直接报错信号答不出具体轮次和降级策略 → 没真设过上限；本题最实用的探针Agentic RAG 怎么评测？和传统 RAG 有什么不同？
期望不能只看最终答案，要看轨迹：检索了几轮、有没有冗余、路由对不对、每轮 query 合不合理、该检索时有没有漏检 —— 答案对了也可能是绕五轮碰运气，成本和稳定性都不可接受信号只说「看答案准确率」→ 没做过 Agent 系统的评测什么场景你会明确不用它？
期望单跳事实问答（固定管线足够且快得多）、延迟敏感的对话产品、成本敏感的高并发、决策稳定性要求高的关键业务。答不出反例的就是背来的信号坚持「Agentic 全面更好」→ 缺乏工程判断Agentic RAG 和 GraphRAG 是竞争关系吗？
期望不是 —— Agentic 是决策层，Graph 是数据层，前者可以把后者当工具之一调用；2026 年的成熟架构是Advanced RAG 作基座 + Agentic 作调度层 + Graph/SQL/Web 作可选数据源信号能说清这层分层关系 → 知识成体系而非碎片上了 Agentic RAG，效果只提升 5%，成本涨了 3 倍，怎么向老板交代？
期望先承认是选错场景不是技术问题 → 回去做分桶分析，看提升集中在哪类 query（大概率是少数多跳问题）→ 改分级路由，只有这类走 Agentic、其余走固定管线，把 3 倍成本压到那一小股流量上 → 给复盘数据：占比多少、单次成本多少、值不值信号强行论证「长期看值得」却给不出数据 → 典型的沉没成本思维
评分要点
- 说清与固定管线的核心差异（检索从一次性变成自主循环）
- 能列出关键组件（Router / 多 Retriever / Memory / ReAct 循环）
- 能说出成本、延迟、稳定性三方面的代价
- 知道要设最大轮次和预算上限
- 加分：能给出「轻量分类器 + 预定义策略」的中间方案
- 加分：能说出明确不该用的场景
- 加分：能说清与 GraphRAG 的分层关系