本文介绍了 AgentRAG 的工作原理它通过 ReAct 循环让大模型自主决定查询顺序结合 DeepAgents 运行时和检索工具有效解决需要多份资料交叉引用的复杂问题。AgentRAG 不仅提升了大模型的决策能力还通过权限和状态机制确保了安全性和可追溯性特别适合需要多跳关系和多轮追问的场景。普通 RAG 的流程通常是用户提问系统搜几段文字大模型根据文字回答。这对“产品怎么配置”“制度怎么规定”很有效。可是遇到下面的问题答案往往分散在多份资料里“订单服务为什么超时影响了哪些客户之前有没有处理过类似问题”系统需要先查故障记录再查服务关系最后查历史工单。AgentRAG 解决的正是“下一步该查什么”。它不是某个单独的模型而是一种组合方式ReAct让模型按照“判断—行动—读取结果”的循环工作DeepAgents提供 Agent 运行时、工具、Skill、Backend 和 middleware检索工具提供文档、关键词和关系证据状态与权限机制限制 Agent 的行动范围。先理解三个词RAG 可以理解成“开卷考试”先查外部资料再让模型组织答案。Agent 是能根据当前情况做决定、调用工具并继续行动的程序。ReAct 是一种“边想边行动”的模式思考我现在缺什么信息 行动调用一个工具查询 观察工具返回了什么 继续证据够不够不够就再查一步AgentRAG 的智能主要来自这个循环而不是来自一段更长的提示词。一个完整例子用户问“订单服务为什么超时影响了哪些客户还有类似工单吗”Agent 可能这样处理判断这是一个需要知识库的复杂问题调用文档搜索找到“连接池耗尽”的故障记录发现故障记录没有客户列表调用关系查询沿着“故障—服务—客户”继续查根据错误码或标题查询历史工单合并证据、去重、检查权限生成带来源的回答。如果第一步就找到完整证据后面不必继续。AgentRAG 的重点不是每次都多查而是证据不够时知道下一步做什么。这一步可以理解成“先列出几项要查的事情”而不是让模型对着一大段问题直接猜答案。用常见 Agent 产品来理解这件事如果你用过 Dify 的 Agent 应用或者用过 ChatGPT 的深度研究类功能应该见过类似的体验系统不会马上给出一段结论而是先分析任务接着搜索、阅读、补查最后整理出带来源的结果。这里用一个客服场景来说明。假设用户问“客户 A 的订单一直失败错误码是 5023。请告诉我原因、影响范围和处理步骤。”在 Dify 这类 Agent 产品中通常可以把知识库搜索、订单查询、错误码查询和工单系统封装成几个工具。用户看到的可能只是一段最终回答但背后大致经历了下面的过程用户问题订单失败错误码5023↓ Agent 判断需要查知识库 查错误码 查订单状态 ↓ 调用工具知识库搜索“5023 订单失败” ↓ 结果找到错误码含义但没有说明客户 A 的影响范围 ↓ 继续调用查询订单服务状态和相关工单 ↓ 结果发现同一时间段还有37笔订单失败 ↓ 生成答案原因 影响范围 处理步骤 来源这就是 AgentRAG 和普通知识库问答的差别普通 RAG 可能只返回“错误码 5023 的含义”AgentRAG 会发现用户还问了影响范围于是继续调用其他工具。需要注意的是这里借用 Dify Agent 或 ChatGPT 深度研究类产品做交互上的类比并不意味着它们的内部代码完全相同。类比的重点是三种设计模型负责规划工具负责查证系统负责把结果整理成可引用答案。如果把这个场景映射到 DeepAgents可以这样分工search_knowledge_base查产品手册、故障说明和处理流程lookup_error_code查询错误码的标准含义query_order_status查询客户 A 的订单和服务状态search_incidents查询同一时间段的历史故障和工单permission_check确认当前用户能否查看客户和订单信息。DeepAgents 负责把这些工具挂到 Agent 上ReAct 负责让 Agent 根据结果决定下一步后端服务负责真正查询数据并执行权限检查。最终答案可能长这样原因错误码 5023 对应订单服务连接异常。影响过去 30 分钟内同一服务还有 37 笔订单失败客户 A 的订单属于其中之一。处理先重试订单如果仍失败转人工工单并等待服务恢复后补偿重试。依据错误码手册、订单状态查询、故障工单记录。这段答案的关键不在于写得流畅而在于每一个结论都能追溯到某个工具结果。ReAct 主循环def answer(question, history, user_scope): # 工作笔记保存问题、证据和行动次数 state { question: question, history: history, evidence: [], steps: 0 } # 模型先判断直接回答还是需要使用工具 decision model.decide(state) if decision.action answer_directly: return model.answer(state) # 限制行动次数避免 Agent 无限循环 while state[steps] MAX_STEPS: if decision.action answer: break # 只能从工具白名单中选择不能执行任意命令 tool tool_registry.get(decision.tool_name) if tool is None: return 没有可用的查询工具。 # 工具层负责权限、参数、超时和错误处理 result safe_call(tool, decision.arguments, user_scope) state[evidence].append(result) state[steps] 1 # 读取结果后再决定继续查还是结束 decision model.decide(state) # 只用带来源的证据回答 return model.answer(with_sources(state[evidence]))代码里的 decision 是下一步决定tool 是查询工具state 是工作笔记。模型选择路径工具执行查询系统负责安全边界。DeepAgents 在这里负责什么DeepAgents 不是新的检索算法更像是 Agent 的运行底座Agent 创建配置模型、提示词和工具Skill把工具和使用说明打包Backend规定 Agent 能读什么、执行什么Middleware增加限流、日志和安全检查Checkpoint保存会话进度Streaming流式展示工具调用和答案。在 AgentRAG 里DeepAgents 负责“让 Agent 跑起来”知识库服务负责“返回证据”。DeepAgents├── Model决定下一步 ├── Tools查询资料 ├── Skills说明工具怎么用 ├── Backend限制访问范围 └── Middleware限流、审计、调用上限DeepAgents ReAct 的典型结构# 伪代码展示原理agent create_deep_agent( modelchat_model, system_prompt只能使用授权知识库工具并且必须引用证据, tools[search_kb, read_document, keyword_search], middleware[tool_limit, permission_check, timeout_guard], checkpointerconversation_checkpoint,)result agent.invoke( {messages: conversation}, config{ thread_id: conversation_id },)运行时大致是模型输出工具调用middleware 检查工具名和权限Backend 执行只读查询工具返回结果模型决定继续调用还是回答。四种常见 AgentRAG 设计模式Router先分流Router 先判断问题属于哪一类无需检索、简单事实题、复杂关联题或需要澄清。它能减少无意义调用。Tool Calling把能力做成工具def search_kb(query, kb_scope, top_k): 向量知识库检索 :param query: 查询文本 :param kb_scope: 权限/知识库范围 :param top_k: 返回候选数量 passdef read_document(document_id, offset, limit): 读取文档片段分页读取长文档 :param document_id: 文档唯一ID :param offset: 片段起始偏移 :param limit: 读取片段长度 passdef keyword_search(query, kb_scope): 关键词全文检索 :param query: 查询关键词 :param kb_scope: 权限/知识库范围 passdef graph_query(entity, relation, hops): 知识图谱查询 :param entity: 起始实体 :param relation: 关系过滤条件 :param hops: 图遍历跳数 pass每个工具的输入和输出都要有明确格式程序还要检查参数。Bounded Autonomy有限自主Agent 必须有最大调用次数、单次超时、最大返回大小和资料访问范围并禁止写文件和执行任意命令。Checkpoint记住进度Checkpoint 保存已调用的工具、拿到的证据和剩余问题。继续追问或失败恢复时不必从零开始。这就是 Agent 和固定检索链的一个明显区别发现资料缺口后可以换工具补查。这套方法来自哪些思想AgentRAG 不是某一篇论文的完整复现而是多种思路的工程组合ReAct2022让模型通过“思考—行动—观察”循环使用工具Self-RAG2023让模型判断是否需要检索并反思结果Toolformer2023探索模型学习调用外部工具MRKL Systems2022把大模型和专业工具组合起来。DeepAgents、LangGraph 和 LangChain 的关系可以把它们想成一栋房子LangChain 像水电接口负责连接模型、消息和工具LangGraph 像流程图负责节点、分支、状态和恢复DeepAgents 像装修好的 Agent房间,提供工具、Skill、Backend 和 middleware知识库检索服务像资料柜真正提供文档和证据。它们是不同层次的组件并不是互相替代。什么时候值得用 AgentRAG适合的情况一个问题需要查多个资料来源需要多跳关系或多轮追问不同问题适合不同检索方式需要完整文档、权限检查和来源引用。不一定需要的情况只查一个定义资料很少且结构简单对延迟和成本极其敏感没有权限、来源和评测体系。简单问题走固定 RAG复杂问题再交给 Agent通常比所有问题都使用 Agent 更合理。结尾让模型选路让系统守边界AgentRAG 的核心不是“让大模型自由发挥”而是把自由度放进一个受控工具箱模型决定下一步查什么工具提供证据DeepAgents 负责运行方式ReAct 提供行动循环权限和状态机制负责兜底。普通 RAG 帮大模型找到资料AgentRAG 让它自己决定怎样找到资料。大模型的知识又多又杂到底怎么学做这行久了被问最多的问题就一个大模型的知识又多又杂我到底先学啥翻了一堆资料看啥都像重点结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍零基础、应届生、转行的都适用。跟着走至少方向不乱、不瞎忙学完拿得出手。第一阶段10天初阶应用这一阶段就一个目标把大模型真正玩明白不是只会聊天那种而是能调教它、能用代码把大模型和业务接起来。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用这阶段正式进实战目标很实在做出两个能拿出手的东西——一个私有知识库一个 agent 对话机器人。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…走完这 30 天Python 或 JavaScript 背景的基本能独立做一套 RAG 应用简历上也敢写大模型应用开发了。第三阶段约20天动手微调学到这你已经开始 “造” 模型了 —— 通过微调搞出垂直领域的专用小模型。为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料第四阶段20天商业闭环部署落地技术学完落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…想要入坑大模型的朋友给大家准备了一份2026 年最新 AI 大模型全套学习资料1、大模型系统化学习路线2、大模型学习视频教程3、大模型学习书籍电子文档4、AI大模型最新行业报告5、大模型项目实战配套源码6、2026大模型大厂面试真题7、为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。8、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。9、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料好了就写到这。路线是死的人是活的卡住了随时来问我。觉得有用就点个收藏别让它进收藏夹吃灰——动起来比啥都强。