Agentic RAG
Agentic Retrieval-Augmented Generation
傳統大型語言模型（LLM）只能依賴訓練資料集中的知識，因此當面對最新或特定領域的資訊時會出現：
- 資訊過時（stale information）
- 知識缺口（knowledge gaps）
- 虛構回答（hallucination）與安全性風險
這種通常會使用 RAG, Retrieval-Augmented Generation 解決，目的在於讓模型能使用 外部動態知識 來提高回答準確性與時效性，但有一些限制：
- 單次查詢 → 擷取資料 → 一次性生成回答
- 資料檢索與生成分離，缺乏循環推理調整能力
- 流程固定、被動
將 AI Agent (智慧代理)整合進 RAG（檢索增強生成）流程的一種架構：
- 可以依照 目標意圖主動規劃下一步行動，不是單一次問答
- 能夠動態調用多種工具或 API（搜尋、摘要、外部系統操作等），而非固定的靜態檢索
- 可處理需要多步推理與流程執行的任務，而非單一查詢回覆
- 意圖推理與規劃（Reasoning）
- 檢索與工具調用（Retrieval + Tool Use）
- 整合與輸出（Aggregation）
Agentic Retrieval-Augmented Generation (Agentic RAG) 的綜合性調查（Survey）資源庫：
GitHub - asinghcsu/AgenticRAG-Survey: Agentic-RAG explores advanced Retrieval-Augmented Generation systems enhanced with AI LLM agents.
| 類型 | 主要特性 | 適用場景 |
|---|---|---|
| Single-Agent RAG | 由一個 agent 管理整體流程 | 簡單任務 |
| Multi-Agent RAG | 多 agent 分工合作 | 大型、複雜任務 |
| Hierarchical Agentic RAG | 分層代理結構 | 任務優先順序管理 |
| Corrective Agentic RAG | 具有回饋修正迴圈 | 高精度需求 |
| Adaptive Agentic RAG | 動態調整策略 | 變化大任務 |
| Graph-Based Agentic RAG | 結合知識圖/關係推理 | 複雜知識推理 |
| 另有 Agentic Document Workflows (ADW) 用於文件驅動、自動化任務 |
Day 17： 大家都在Agent，那你知道什麼是Agentic RAG嗎? - iT 邦幫忙::一起幫忙解決難題，拯救 IT 人的一天