From RAG to Agentic RAG: Building Multi-Agent Search Systems

原始來源與檔名：20260514_2026-05-14T092818+0800-From RAG to Agentic RAG Building Multi-Agent Search Systems.md

前言/背景

從架構演進的角度來看，本文展示了檢索系統如何從「靜態管線 (Static Pipeline)」走向「動態路由與委派 (Dynamic Routing & Delegation)」。Classic RAG 是一個單向的資料流；Agentic RAG 引入了反饋迴圈與工具抽象；而 Multi-Agent Search System 則是典型的 Orchestrator-Worker 模式。這種演進代表了系統控制權從「硬編碼的程式邏輯」轉移到「基於 LLM 推理的動態規劃」，這在應對多源異構資料（向量資料庫、關聯式資料庫、外部 Web API）時展現出強大的解耦能力與擴展性。

章節詳細總結

  1. 三階段演進：
    • Classic RAG (Embed → Retrieve → Generate)：固定提取次數與單一資料源，缺乏改寫查詢 (Query Reformulation) 與自我修正能力。
    • Agentic RAG：將檢索轉化為 Agent 可調用的「語意搜尋工具 (Tool)」，Agent 具備自主決定「何時搜尋」、「如何改寫查詢」、「是否需要重複搜尋」的能力。
    • Multi-Agent Search System：採用「主控者-工作者 (Orchestrator-Workers)」模式，由一個主 Agent (Main Agent) 負責對話與推理，當需要資訊時，委派給專屬的搜尋 Agent (Search Agent)。
  2. Search Agent 的多維度工具集：
    • Semantic Search (語意搜尋)：針對非結構化文件（使用 ChromaDB 等向量資料庫）。
    • SQL Search (結構化搜尋)：針對關聯式資料（如 SQLite），需具備獲取 Schema 知識的能力，並確保僅允許 SELECT 操作以維護安全性。
    • Web Search (即時網際網路)：針對即時資料（如 Tavily, Serper 等 API）。
  3. 架構價值：透過多 Agent 模式，將系統關注點分離 (Separation of Concerns)，使得每個 Agent 的 System Prompt 與工具集更加專注，降低幻覺並提升單一任務的成功率。

總結與結論

傳統的 RAG 試圖用「單一的向量相似度搜尋」來解決所有資訊檢索問題，但真實世界的企業場景往往是結構化資料（如庫存、訂單）與非結構化資料（如手冊、政策）的混合體。Multi-Agent 架構提供了一種優雅的解法：賦予 Agent 多種檢索工具，並讓其基於使用者的意圖進行「動態路由」。這種將檢索能力封裝為「Tool」並結合 Agent 推理能力的設計，是打造次世代企業級知識庫與問答系統的標準範式。