怎么考「什么是 Agentic RAG？和固定管线比强在哪、贵在哪？」

我要答我要考
Q2-19Agentic RAG中高频

谁在问：头部 AI 公司一二面；2026 年 RAG 话题的新标配问题

开场怎么问

你了解 Agentic RAG 吗？和普通 RAG 有什么不一样？

换个问法

  • 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？

五层追问链

左边照着问，右边对着听。最后一层是压力面，不必每个候选人都问到。

怎么防止它无限循环烧钱？

期望
硬性上限——最大检索轮次（通常 3–5 轮）、总 token 预算、单次请求超时；检测重复检索（同样的 query 检索两次就强制终止）；达到上限时降级为「基于已有材料尽力回答 + 说明信息可能不完整」，而不是直接报错。
信号
这是最实用的探针。没设过上限的人答不出具体轮次和降级策略。

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（是否冗余）、路由对不对、每轮的 query 是否合理、有没有该检索却没检索。因为答案对了也可能是绕了五轮碰运气，成本和稳定性都不可接受。详见 Q5-05。
信号
只说「看答案准确率」的，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、成本敏感的高并发场景、决策稳定性要求高的关键业务。答不出反例的，说明是背来的。
信号
坚持「Agentic 全面更好」的，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，前者可以把后者当作工具之一来调用。2026 年的成熟架构通常是 Advanced RAG 作基座 + Agentic 作调度层 + Graph/SQL/Web 作可选数据源。
信号
能说清这个分层关系的，知识是成体系的而非碎片。

你上了 Agentic RAG，效果只提升了 5%，成本涨了 3 倍，怎么向老板交代？

期望
先承认这是方案选错场景而不是技术问题——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）；解法是分级路由：只把这一类 query 走 Agentic 路径，其余走固定管线，把 3 倍成本压回到那一小部分流量上。同时给出可量化的复盘：这类 query 占比多少、单次成本多少、值不值。关键是展示「不硬撑、能止损、给数据」的态度。
信号
强行论证「长期看值得」而给不出数据的，是典型的沉没成本思维。

危险信号

听到这些话，基本可以判定是背题而不是做过。

只讲优点不讲代价——最典型的二手知识特征。
说不出任何具体组件，停留在「让 Agent 自己决定」的抽象描述。
没有轮次上限和成本兜底的概念。
把 Agentic RAG 和多轮对话混为一谈（前者是单次请求内的多轮检索，后者是用户的多轮交互）。
认为它能取代 Advanced RAG 而不是建立在其之上。

评分卡

  1. 说清与固定管线的核心差异（检索从一次性变成自主循环）
  2. 能列出关键组件（Router / 多 Retriever / Memory / ReAct 循环）
  3. 能说出成本、延迟、稳定性三方面的代价
  4. 知道要设最大轮次和预算上限
  5. 加分：能给出「轻量分类器 + 预定义策略」的中间方案
  6. 加分：能说出明确不该用的场景
  7. 加分：能说清与 GraphRAG 的分层关系
参考答案与考察意图面试中途别看这一段

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

图 2 · 60 分与 90 分差在哪：代价、演进、怎么验证
60

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

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。

攒够了去组卷页一键生成可打印的面试题单