本文介绍了AgentRAG的工作原理它通过ReAct循环、DeepAgents运行时环境、检索工具和状态权限机制帮助大模型在复杂问题中高效查找信息。AgentRAG特别适用于需要多资料来源、多跳关系和多轮追问的场景通过模型规划、工具查证和系统整理提供带来源的答案。与普通RAG相比AgentRAG能更智能地决定查询步骤而非简单检索。文章还探讨了DeepAgents、LangGraph和LangChain的关系并分析了适用AgentRAG的场景适合想要深入学习大模型应用的开发者。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。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘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。以上全套大模型资料如何领取