AI Agent如何突破预设信息的限制，精准获取外部动态信息？本内容深入剖析了RAG与Agentic Search这两种核心检索范式，揭示了它们的工作原理、适用场景，以及如何让AI从被动接收信息转变为主动探索，为构建更智能的Agent提供了清晰的实现路径。
智能速览
RAG是推理前检索，模型在生成答案前被动接收相关信息。
Agentic Search是即时检索，模型在推理过程中主动调用工具探索信息。
RAG速度快、成本低，适合知识问答等固定流程任务。
Agentic Search灵活性强、信息最新，适合编程分析等复杂推理任务。
元数据感知与渐进式披露是Agentic Search实现智能探索的关键机制。
在复杂产品中，结合两者优势的混合策略往往是最佳解。
精华内容
从“被动投喂”到“主动探索”，AI Agent如何高效检索外部信息？两种核心范式——RAG与Agentic Search，代表了两种截然不同的工作哲学，理解它们是构建高级AI应用的关键。
被动投喂的RAG
推理前检索（RAG）的工作流程是一条单向流水线。当用户提出问题，系统会先将问题转换为向量，在向量数据库中查找最相关的文档片段，将这些片段拼接到上下文中，最后再交给大模型生成答案。
这种模式好比“图书馆管理员”，你告诉管理员主题，他帮你找好资料放到桌上，专家再根据这些资料回答问题。其优势在于流程稳定、速度快，一次检索一次调用，成本低廉。
但缺点也同样明显。首先，检索到的信息可能已经过时；其次，检索过程不够智能，容易因语义偏差而检索到无关内容，污染上下文；最重要的是，它无法探索，一旦初始输入方向有误，模型就会被锁死在错误结果中，只能被动等待信息投喂。
主动探索的Agentic
即时检索是一种循环、动态的过程，模型不再是被动接收者，而是主动的探索者。用户提问后，模型会先思考是否需要调用工具，它可能会执行`list files`查看文件列表，再根据返回结果决定打开哪个文件、读取多少行，然后基于新信息再决定下一步是继续搜索还是直接生成答案。
这就像一个“侦探”在办案，拿到案子后自己去档案室查目录、翻笔记、比对证据，每发现一个线索就更新自己的推理方向。
这种方式的核心优势在于，信息永远是最新的，因为每一步都是即时调用工具；信噪比高，只取当下真正需要的信息，不会被无关内容淹没；同时具备探索能力，对于复杂的多步推理任务尤其关键。
智能探索的秘诀
Agent能够实现智能探索，主要依赖两个关键机制。第一个是元数据感知。Agent不仅能看内容本身，还能理解内容的信息结构。例如，一个名为`test_utils.py`的文件放在`test`文件夹里，Agent就能推断出它是用于测试的。文件路径、更新时间、目录结构等元数据都能成为它判断方向的信号，就像人类看到文件夹结构和时间戳会自然猜测其用途一样。
第二个机制是渐进式披露。这个概念借自用户体验设计，核心思想是不要一次性把所有信息都塞给模型，而是让它自己逐步发现，一层一层揭开需要的上下文。这样，模型能始终聚焦在最相关的任务子集上，不会因信息过载而分心，学会了按需思考。
如何选择与结合
RAG和Agentic Search各有取舍，没有绝对优劣。RAG的优势在于速度和结构简单，非常适合知识问答、客服机器人、固定流程任务。Agentic Search的优势在于灵活性和探索未知领域的能力，更适合研究、编程、数据分析类任务。
在实际的复杂产品中，最优解往往是混合策略。例如，Cloud Code在启动时会预先加载一份`README.md`文件，让模型对整个项目有初步理解，这部分属于RAG。同时，它也配备了像Glob、Drab这样的工具，能在运行时即时检索文件、分析数据，这部分就是Agentic Search。这种组合既保证了启动速度，又赋予了运行时的探索能力。
通过RAG与Agentic Search的对比，为AI Agent赋予了动态感知世界的能力，让它不仅能“想”，还能“找”、能“看”、能“探索”。但要应对长达数小时甚至数天的复杂任务，Agent又该如何避免遗忘、保持记忆？这将是构建真正持续思考能力的关键。
