菜鸟笔记Dify Agentic RAG 笔记
引言
检索增强生成（RAG）有效结合LLM与外部知识库，降低模型幻觉，但传统“一次性检索-生成”模式存在检索僵化、无推理能力等局限。Dify推出的Agentic RAG（智能体驱动RAG），将检索嵌入智能推理循环，实现动态适配与迭代优化，大幅提升检索与回答的可靠性。
2026年1月6日来自Dify的一篇文章：https://dify.ai/blog/agentic-rag-smarter-retrieval-with-autonomous-reasoning
介绍了Agentic RAG和传统RAG的区别，使用场景以及局限性。
当然最主要的一个结论就是，告诉大家Dify是支持你去实现Agentic RAG的，也就是说，这不是一个完整的功能封装，而是需要你去拖拽实现。
一、Agentic RAG 核心定义与差异
1. 核心突破
Agentic RAG不再将检索视为固定预处理步骤，而是通过LLM驱动的智能体，完成意图分析、工具选择、查询优化、结果评估、策略迭代等闭环操作，适配模糊查询、多步骤任务与跨源检索需求。
2. 传统RAG vs Agentic RAG 关键对比
| 对比维度 | 传统RAG | Agentic RAG |
|---|---|---|
| 检索逻辑 | 一次性检索 | 多步骤、迭代式 |
| 工具灵活性 | 固定检索器 | 多工具动态选择 |
| 推理能力 | 无 | 具备自主推理 |
| 查询优化 | 不支持 | 支持改写优化 |
| 结果评估 | 无 | 带反馈循环 |
| 回答可靠性 | 依赖初始检索 | 迭代提升 |
二、Agentic RAG 核心工作流程
- 意图分析：解析查询，提取关键概念与检索目标；
- 工具选择与查询构建：匹配最优检索方式（向量/混合/关键词/网页），生成适配查询；
- 来源选择：精准路由至最相关知识库集合；
- 查询执行：检索并排序候选文档；
- 评估循环：判断结果质量，按需优化查询、切换工具或兜底（如网页搜索）；
- 事实性回答：融合有效证据生成答案，标注缺失信息。
三、Dify 实现 Agentic RAG 的核心支撑
因为Dify支持以下功能，所以告诉你的信息是，实现Agentic RAG是可以的。
- Agent Node：一体化决策引擎，封装意图分析、工具编排、重试逻辑；
- 拖拽式工作流：可视化搭建多步骤流程，透明可调整；
- 原生工具集成：支持Qdrant向量库、Google搜索、自定义API；
- 迭代支持：内置重试、优化、兜底策略，可通过Function Calling/ReAct定义行为。
四、典型使用场景
- 企业知识助手：跨HR文档、内部维基等解答复杂员工查询（如“加州远程员工能否报销共享办公空间？”）；
- 法律/科研辅助：检索学术论文、法规指南，支持事实核查与跨域对比；
- 开发者副驾：查询代码仓库、技术文档，联动代码检查工具；
- AI工作流助手：结合检索与摘要、格式转换、邮件发送等操作；
- 客户支持智能体：跨CRM、产品手册检索，自动追问或升级不完整响应。
五、局限性
- 延迟增加：多步骤推理与重试延长响应时间；
- 依赖LLM推理质量：提示词设计影响决策效果；
- 成本上升：迭代与多工具调用增加token消耗；
- 运维复杂：需设计提示词、迭代上限与兜底规则，避免循环或工具滥用。
总结
Dify的Agentic RAG实现了RAG从“静态检索”到“动态决策驱动”的跨越，通过自主推理与迭代优化提升回答可信度。其可视化、模块化特性降低了落地门槛，适用于对精准度、灵活性有高要求的业务场景。随着LLM向自主智能体演进，Agentic RAG将成为核心技术范式。