Agentic RAG值得吗？一种RAG方法的实验比较

检索增强生成（RAG）系统通常由生成器和检索组件组成，从知识库中提取文本上下文以回答用户查询。然而，这种基本实现存在诸多限制，包括检索结果噪声大或次优、对超出范围的查询使用不当、查询与文档匹配较弱以及生成器的变异性或成本问题。这些缺陷促使了“增强型”RAG的发展，其中引入了专门模块以解决工作流程中的特定弱点。最近，大型语言模型（LLMs）日益增强的自我反思能力催生了一种新的范式，即“智能体型”RAG。在此方法中，LLM负责协调整个过程，决定执行哪些操作、何时执行以及是否迭代，从而减少对固定手动设计模块的依赖。尽管这两种范式的应用迅速增长，但在何种条件下哪种方法更优仍不清楚。本文通过多个场景和维度进行了广泛的实证评估，结果为两种范式之间的权衡提供了实用见解，并为现实应用中选择最有效的RAG设计提供了指导，兼顾成本与性能。