Agentic RAG 值得嗎？ RAG 系統已從簡單的檢索-生成管道演變為複雜的工作流程。何時使用增強型 RAG（固定管道與專用模組）與 Agentic RAG（LLM 動態協調整個過程）仍不清楚。 這項研究提供了首個實證比較。 增強型 RAG 增加了預定義的組件以解決特定的弱點：路由器用於判斷是否需要檢索，查詢重寫器用於改善對齊，重排序器用於精煉文件選擇。工作流程是固定的，並且是手動設計的。 Agentic RAG 採取不同的方法。LLM 決定執行哪些操作、何時執行以及是否需要迭代。除了基本的知識庫、檢索器和生成器之外，沒有額外的組件。模型控制一切。 研究人員在 QA 和信息檢索任務中評估了這兩種範式的四個維度。 用戶意圖處理：在大多數任務中，Agentic 稍微超越增強型，但在 FEVER 上增強型明顯獲勝（+28.8 F1 分），因為代理經常不必要地檢索。 查詢重寫：Agentic RAG 的平均 NDCG@10 為 55.6，而增強型為 52.8，顯示代理可以在有利時自適應地重寫查詢。 文件精煉：增強型 RAG 與重排序（49.5 NDCG@10）超越 Agentic（43.9）。專用的重排序模組優於迭代檢索嘗試。 Agentic RAG 對模型能力的敏感度更高。使用較弱的模型時，增強型 RAG 維持穩定，而 Agentic 的性能顯著下降。 成本分析顯示，Agentic RAG 由於多步推理需要 2-10 倍的計算時間和標記。 在增強型和 Agentic RAG 之間的選擇取決於您的限制。增強型 RAG 提供可預測性、較低的成本和在較弱模型下的穩定性。Agentic RAG 提供靈活性，但需要更強的模型和更多的計算。 論文： 在我們的學院學習如何構建有效的 Agentic RAG 系統：