RAG（Retrieval-Augmented Generation）与 Agentic RAG 的主要区别在于它们的功能范围和执行方式，以下是详细对比：
一.RAG（Retrieval-Augmented Generation）：
将检索（Retrieval）和生成（Generation）结合。系统会从外部知识库中检索相关信息，并利用生成式模型（如 GPT）结合检索结果生成回答。
① 被动性：只根据检索到的内容生成答案，没有主动行为。
② 固定任务：用于问答、文档总结等静态任务。
③ 主要用途：解决基于知识库的问答问题、改善生成式模型的回答准确性。
④ 优点：减少幻觉（hallucination）问题，因为答案基于具体检索的事实；可扩展性好，可以连接多种外部知识库。
二.Agentic RAG：
在传统 RAG 的基础上引入代理能力，使模型能够采取主动步骤。具有执行逻辑、决策能力，能自主规划任务并动态调整行为。
① 主动性：不仅生成答案，还能执行动作（如调用工具、执行代码）。
② 动态性：根据任务要求调整策略，支持复杂任务拆解和多步骤执行。
③ 自主学习：可以迭代优化生成过程，通过与外部交互改进结果。
④ 主要用途：复杂的多步骤任务（如数据分析、自动化操作）、动态环境中的任务执行（如实时数据监控和处理）、需要强交互能力的应用场景（如编程助手、问题推理）。
④ 优点：任务自动化能力更强；适应复杂、动态场景；更智能化的决策和工具调用。
简单来说，RAG 是一种增强问答准确性的技术，而 Agentic RAG 是在此基础上加入了自主性，能执行更复杂的任务并具有更高的智能化水平。
（文：NLP工程化）