Agentic RAG 的核心架构由哪些层次构成？

1. 检索层（Retrieval Layer）

检索层是 Agentic RAG 的数据供给基础，负责从多种数据源中获取相关信息。典型组件包括：

• 向量数据库：存储文档的向量嵌入，支持高速相似度搜索。例如腾讯云向量数据库（Tencent Cloud VectorDB）提供单索引千亿级向量规模、百万级 QPS 及毫秒级查询延迟，可为 Agentic RAG 提供高性能的向量检索能力
• 关键词搜索引擎：基于 BM25 等算法的稀疏检索，弥补纯向量搜索对关键词匹配不足的缺陷
• 结构化数据查询接口：支持 SQL 查询的关系型数据库、API 接口等
• 外部知识源：Web 搜索、知识图谱、文档存储等

2. 智能体层（Agent Layer）

智能体层是 Agentic RAG 的决策中枢，负责规划、决策和协调。核心职责包括：

• 查询规划器（Query Planner）：将复杂问题分解为多个原子子查询
• 路由决策器（Router）：根据查询类型选择最优检索策略和数据源
• 工具选择器（Tool Selector）：在多种可用工具中选择最适合当前步骤的工具
• 记忆管理（Memory Management）：维护对话历史和中间检索结果的状态

3. 推理与评估层（Reasoning & Evaluation Layer）

该层负责评估检索结果质量和生成答案的可靠性：

• 相关性评估：判断检索到的文档是否与查询相关
• 充分性判断：评估当前信息是否足以回答问题
• 忠实度验证：检查生成的答案是否有检索上下文支撑
• 矛盾检测：识别不同来源之间的信息冲突

4. 生成层（Generation Layer）

生成层由大语言模型（LLM）组成，负责基于经过验证的上下文生成最终答案。与经典 RAG 不同的是，生成层接收的是经过多轮筛选、验证和整合的高质量上下文，而非单次检索的原始结果。