正文

Agentic Enterprise RAG：企业级智能检索增强生成系统

一个实验性的企业级RAG系统，对比朴素RAG、重排序RAG和Agentic RAG三种模式，引入证据感知的智能体决策流程，支持查询重写、证据质量评估和智能拒绝机制。

RAGAgentic RAGenterpriseretrievalLLMQwen3vLLMFAISSrerankerknowledge base

发布时间 2026/05/24 15:45最近活动 2026/05/24 15:52预计阅读 2 分钟

章节 01

导读 / 主楼：Agentic Enterprise RAG：企业级智能检索增强生成系统

章节 02

原作者与来源

原作者/维护者：Shelly Lee (@ShellyLeee)
来源平台：GitHub
原始标题：Agent-driven Enterprise RAG System (Agentic RAG)
原始链接：https://github.com/ShellyLeee/agentic-enterprise-rag
发布时间：2026年5月24日

章节 03

项目背景与动机

检索增强生成（RAG）已成为大语言模型应用的核心模式，但传统的朴素RAG存在明显局限：它容易从噪声检索结果中生成答案，缺乏对证据质量的判断能力。即使引入重排序管道可以改善相关性，系统仍然缺少决策层——即使证据薄弱或超出范围，它通常仍会尝试回答。

Agentic Enterprise RAG 项目正是为了解决这一问题而生。它引入了一个证据感知的智能体工作流，让系统能够明确判断证据是否足够支持回答、是否需要重写查询并重试、或者是否应该拒绝回答因为可用文档不支持该问题。

章节 04

三种RAG模式对比

该项目实现了三种检索增强问答模式，便于开发者直观对比不同方法的优劣：

章节 05

朴素RAG（Naive RAG）

最基础的模式：检索文档片段后直接生成答案。实现简单，但容易受到噪声检索结果的误导，生成不准确或幻觉性的回答。

章节 06

RAG + 重排序（RAG + Reranker）

改进模式：先检索更广泛的文档集合，使用交叉编码器重排序证据，然后再生成答案。相关性有所提升，但仍缺乏决策能力。

章节 07

Agentic RAG

最先进的模式：引入规划、检索、重排序、证据质量评估的完整决策流程，可选地重写查询，最终生成答案或拒绝回答。这是该项目的核心创新。

章节 08

Agentic RAG 核心架构

Agentic RAG 的工作流程体现了智能体系统的典型设计模式：

用户查询
  ↓
规划器（Planner）
  ↓
检索工具（Retrieval Tool）
  ↓
重排序工具（Rerank Tool）
  ↓
证据缺口检测器（Evidence Gap Detector）
   ├── 证据充足 → 进入回答流程
   └── 证据缺失 → 跟进检索缺失字段
  ↓
证据感知策略（Evidence-aware Policy）
   ├── 生成答案
   ├── 重写查询并重试
   └── 拒绝回答
  ↓
回答工具 / 拒绝工具