从零搭建 RAG 电子书智能问答系统：天龙八部 × Milvus × LangChain 引言：当「天龙八部」遇见 AI 最近重读金庸的《天龙八部》，脑子里冒出一堆问题： 这些问题，传统搜索引擎只能给

Spring AI Alibaba 实战（五）：RAG 三种架构 理论篇 一、为什么需要 RAG——让 LLM 做"开卷考试" 1.1 RAG 解决什么问题 前几章我们的机票 Agent 已经能查询航

你的 RAG 系统是不是也经常答非所问？问一个稍微复杂点的问题就开始胡说八道？别急，这篇文章带你从根上理解为什么传统 RAG 不够用，以及 Agentic RAG 是怎么解决这些问题的。

Agentic RAG 是将 AI Agent 的自主决策能力与检索增强生成（RAG）深度融合的新一代技术范式。它让 AI 系统从「被动执行检索」进化为「主动规划、动态决策」

单轮 RAG 每次都把原始问题直接送检索，但"它有哪四个指标""其中哪个最难提升"这类追问在没有上下文时检索会完全失效。本篇给出解决方案

Pipeline RAG 把检索结果原封不动传给 LLM，好坏都将就。Agentic RAG 把检索变成工具：先分类问题选策略，检索后打质量分，不合格就换策略重试。

向量检索找的是"相似文档"，对实体间的关系网络是盲的。Graph RAG 把文档构建成知识图谱，用图遍历代替相似度搜索。

传统 RAG 盲目信任检索结果，知识库覆盖不到时照样生成。CRAG 的思路：先给检索结果打分，不合格就触发网络搜索兜底。用 LangGraph 实现完整流程，附可执行源码

传统 RAG 每次都检索，即使问题根本不需要外部知识。Self-RAG 用四个反思 token 让模型自主决策。用 LangGraph 实现完整流程：附源码