Agentic RAG 是什么？
RAG（Retrieval-Augmented Generation）的传统做法是：用户提问 → 检索相关文档 → 喂给 LLM → 生成答案。这是一次性、被动的流程。
Agentic RAG 则在此基础上引入了 Agent 的自主决策能力，让 LLM 像一个”研究员”一样主动规划检索策略：
∙ 多步推理检索：模型可以判断”第一次检索的结果不够，需要再查”，自动发起多轮检索
∙ 工具调用：Agent 可以调用多个不同的检索工具（向量库、SQL、API、网络搜索等）
∙ 自我校验：检索后评估结果的相关性，决定是否重新检索或换策略
∙ 任务分解：将复杂问题拆解成子问题，分别检索后再综合
核心关键词：自主性（autonomy）、迭代性（iteration）、工具使用（tool use）

GraphRAG 是什么？
GraphRAG（微软提出）的核心创新在于知识的组织方式：
∙ 将文档中的实体和关系抽取出来，构建知识图谱（Knowledge Graph）
∙ 检索时不是查”相似文本块”，而是沿图的边进行关系遍历
∙ 擅长回答需要跨文档、跨实体推理的问题（如”A 和 C 之间有什么间接关联？”）
核心关键词：结构化知识、图遍历、全局理解（global summarization）

两者的本质区别

|维度 |Agentic RAG |GraphRAG |
|———|——————-——————|———–—–|
|**核心创新点**|检索的**行为模式**（主动、多步） |知识的**存储结构**（图谱） |
|**解决的问题**|单次检索不足以回答复杂问题 |文本块割裂、无法表达实体关系 |
|**擅长场景** |需要多轮推理、跨来源综合的任务 |实体关系密集、需要全局视野的问答|
|**复杂度** |依赖 Agent 框架（LangGraph、AutoGen 等） |依赖图构建管线（预处理成本高） |
|**可叠加性** | 可以把 GraphRAG 作为 Agentic RAG 的一个检索工具|相对独立 |

一句话总结
GraphRAG 改变的是”知识长什么样”；Agentic RAG 改变的是”怎么去找知识”。两者不是竞争关系，而是可以组合使用——Agent 决策何时、如何调用图谱检索。​​​​​​​​​​​​​​​​