双智能体如何系统性纠偏RAG的“跑偏”困局_服务软件

1. 2025 AI Agent 发展现状与六大趋势

2. 从第一性原理出发的RAG推理新范式来了，蚂蚁DIVER登顶权威基准

3. 请教一下各位关于RAG（检索增强生成）的几个问题？

4. 打破瓶颈，让RAG学会思考：中科大、智源等发布推理检索框架BGE-Reasoner

5. 构建可靠AI Agent：从提示词、工作流到知识库的实战指南

6. RAG（检索增强生成）会不会消亡呢？

7. 《扣子开发 AI Agent 智能体应用》001-智能体概述

8. 在大模型应用中，如何提升RAG（检索增强生成）的能力？

9. 在构建RAG Agent时，哪些场景应该用确定性逻辑判断取代LLM的概率推理，具体怎么实现？

10. RAG、LangChain、Agent 到底有什么关系？

11. 《A Comprehensive Survey on Reinforcement Learning-based Agentic Search: Foundations, Roles, Optimizations, Evaluations, and Applications》强化学习驱动的智能搜索：全面综述大型语言模型（LLM）已彻底改变信息获取与推理方式，通过自然语言交互实现开放式对话。然而，LLM仍受限于静态知识、事实幻觉及实时/领域特定信息检索的不足。检索增强生成（RAG）通过外部证据 grounding 输出缓解这些问题，但传统RAG往往为单轮启发式流程，缺乏对检索与推理的自适应控制。近年来，智能搜索（Agentic Search）兴起，让LLM作为自主代理，通过多步规划、检索与反思与搜索环境互动。强化学习（RL）在此范式中脱颖而出，提供适应性与自改进的搜索行为。本综述首次系统概述RL-based Agentic Search，按三维展开：（i）RL的功能角色（What RL is for）；（ii）RL的使用策略（How RL is used）；（iii）RL的应用范围（Where RL is applied）。我们总结代表方法、评估协议与应用，并探讨挑战与未来方向，旨在激发RL与智能搜索的深度融合。#1. 基础：从传统IR到RL-based Agentic Search传统信息检索（IR）依赖TF-IDF、BM25与PageRank等统计模型，返回匹配文档列表，但难以捕捉复杂意图或多步推理。RAG整合LLM推理与IR精度，通过检索证据提升事实性，但多为单轮、被动消费证据，易受噪声干扰。Agentic Search将LLM定位为决策代理，动态规划、检索、推理与反思，支持多跳任务。早期依赖手工提示或监督微调（SFT），适应性有限。RL-based Agentic Search则将LLM训练为与搜索环境互动的代理，接收反馈、迭代优化策略，实现自主学习。这强调三核心：自主性（代理主导行动）、学习性（通过强化而非手动设计）和互动性（多轮环境交换）。形式上，它建模为马尔可夫决策过程（MDP）：状态包括查询、推理轨迹与证据；行动如查询生成或工具调用；奖励捕捉任务成功、过程质量与成本。相比预RL方法，RL克服适应性差与监督瓶颈，直接优化长期奖励，推动从模仿到结果驱动的学习。#2. RL的功能角色：指导检索、推理与决策RL在智能搜索中扮演多重角色，超越基本检索，优化从何时搜索到如何协作的连续流程。关键维度包括：- 检索控制：决定何时/何时检索、强度与效率。适应性决策（如Search-R1教导LLM仅在内部知识不足时调用搜索引擎）；强度（如Pangu DeepDiver奖励模糊查询的深度搜索）；效率（如IKEA惩罚冗余调用，ZeroSearch模拟检索降低API成本）。这平衡成本与证据完整性，但当前奖励多限于正确性，需扩展鲁棒性。- 查询优化：提升查询质量。对话重构（如ConvSearch-R1用排名奖励优化多轮查询）；检索器感知优化（如DeepRetrieval适应黑箱搜索引擎偏置）。这桥接LLM语义与检索器行为，但泛化至动态环境仍具挑战。- 推理-检索整合：紧密耦合二者。交错优化（如R-Search奖励信息证据生成）；上下文/记忆管理（如ReSumRL指导总结历史，防溢出）。这增强长程推理，但记忆机制多为启发式，长期连续性不足。- 多代理协作：分解任务为专业模块。规划-执行架构（如MAO-ARAGPPO协调查询重写与生成）；合作系统（如SIRAG共享奖励对齐决策）。这提升复杂管道一致性，但需解决信用分配。- 工具与知识整合：扩展异构资源。多工具/模态推理（如Tool-Star协调代码解释器与搜索）；结构知识导航（如GRAILRL遍历知识图）。这拓宽任务边界，但跨模态连贯性与异步反馈是痛点。这些角色揭示RL作为统一机制， grounding 搜索行为于实际优化，未来需深化多模态与记忆整合。#3. RL的使用策略：训练与奖励设计RL应用聚焦训练流程与奖励机制，确保代理高效学习。- 训练范式：标准管道包括冷启动（SFT初始化，如WebSailor稳定多步工具使用）与RL微调。模拟环境（如ZeroSearchLLM模拟检索，避实API成本）加速迭代；课程学习（如AgentGym-RL渐增地平线）缓解稀疏奖励；迭代框架（如EvolveSearchRL生成SFT数据，自强化循环）提升数据效率。算法多用PPO/GRPO，变体如StepSearch步级PPO对齐信息增益。- 奖励设计：从单一结果奖励（如Search-R1的EM正确性）转向多面：结果级整合效率（如IKEA知识边界整形）；过程级提供稠密反馈（如ReasonRAG最短路径估计，平衡简洁与质量）。LLM采样奖励（如VERITAS提升忠实性）处理稀疏，但需防奖励黑客与目标平衡。这些策略从静态模仿转向动态优化，但长程信用分配与多目标权衡仍是挑战，自进化循环前景广阔。#4. RL的应用范围：从代理到系统级优化RL干预层级多样化，覆盖微观行为到宏观架构。- 代理级：端到端优化单/多代理。单代理（如Search-R1统一检索-推理）；多代理协调（如OPERA分层GRPO分配角色）。这奠基搜索智能，但需权衡自治与协作。- 模块/步级：局部精炼，如s3轻量搜索模块（冻结LLM）；StepSearch步级奖励信息增益。高效但信用分配难连通局部-全局。- 系统级：统一框架，如AgentGym-RL模块基准支持多环境；RAG-Gym比较奖励设计。这推动从原型到生态部署，未来需分层RL整合多尺度反馈。#5. 评估、应用与挑战数据集与指标：知识密集QA（如HotpotQA测试多跳）；Web搜索（如GAIA多步互动）；多模态（如MFC-Bench事实检查）；领域特定（如MedQA）。指标覆盖答案质量（EM/F1）、检索效果（Recall/NDCG）、效率（查询数/延迟）与过程（如证据利用率）。应用：深度研究（如DeepResearcher自动化文献综述）；多模态（如VRAG-RL视觉RAG）；代码代理（如Tool-Star调试协调）；AI助手（如ConvSearch-R1对话搜索）；领域特定（如HierSearch企业知识）。这些展示RL的实用价值，强调领域适应与效率。挑战与未来：多模态一致性、长程记忆（如分层系统建模衰减）、可信搜索（对抗鲁棒/隐私保护）、跨域泛化（元学习通用策略）、人-AI共搜（自适应互动/可解释性）。这些方向将RL-based Agentic Search推向可靠、可扩展的智能系统。此综述揭示RL如何重塑搜索范式，助力LLM从被动工具向主动代理演进。更多资源见仓库：github.com/ventr1c/Awesome-RL-based-Agentic-Search-Papers原论文链接：arxiv.org/abs/2510.16724

12. Leonie Monigatti深入剖析了AI代理中的记忆演进，从最初的RAG（检索增强生成）到Agentic RAG，再到具备读写能力的Agent Memory，厘清了这一系列技术的核心逻辑与突破。RAG诞生于2020年，其核心是将离线存储的外部知识检索进LLM上下文，解决模型记忆有限带来的问题。但其“单次检索”与“只读”限制导致复杂场景下仍有误导风险。Agentic RAG引入了“工具调用”机制，允许智能体主动判断是否需要检索、选择检索工具，并评估检索结果相关性，显著提升了灵活性和准确性，但仍无法动态学习和更新信息。Agent Memory则迈出关键一步：支持智能体不仅读取，还能写入和管理外部记忆，实现基于历史交互的持续学习和个性化体验。它将记忆从“静态”转变为“动态”，但也带来了记忆管理和遗忘机制的新挑战。这三者共同体现了信息“存储-检索-编辑-删除”的完整闭环，也反映了AI系统从单点知识调用向复杂记忆体系演进的趋势。未来，如何设计高效的多源、多类型记忆管理策略，将是提升AI智能和人机交互体验的关键。详细内容及代码示例请见原文：leoniemonigatti.com/blog/from-rag-to-agent-memory.html

13. 关于 NotebookLM 植入 Gemini 这件事，我详细写了一篇自己的使用体验：网页链接NotebookLM 里的笔记本可以作为 Gemini 的外挂 RAG，Gemini 的答案会更加精准，幻觉会收敛，输出更加聚焦和有价值。而对于 NotebookLM 来说，Gemini 帮它搞定了多笔记本互通的事情，另外，NotebookLM 干不了的事儿，Gemini 可以代劳，比如 Deep Research，出图，做视频，写程序等等。这就有点像 Agentic RAG，当然，因为 Gemini 是面向所有互联网数据的，泛化的更厉害一些。目前墨问时间的知识库，还是经典 RAG，要升级成 Agentic RAG，本质是让模型从“只在生成参与”扩展到“全链路参与”，把检索变成一个可决策、可路由、可自我评估的系统，并引入可持久记忆与多源工具。这样不仅提升准确性与覆盖率，也能在复杂查询下保持稳健。还有很长的路要走……

14. 云厂商「进击」 Agent 开发平台

15. 盘点一周AI大事(11月2日)｜OpenAI放出AGI时间表 OpenAI公布AGI路线图，202626年上岗AI研究员，能独立研究大型科研项目，2028年发布重大科研成果达成AGI，10年内冲刺超级智能 OpenAI正式重组为营利实体，估值1万亿 MiniMax推出最强开源大模型M2 字节发布最强通用游戏智能体Game-TARS Anthropic推出Excel分析师 Gemini上线一键做PPT Odyssey发布能实时交互的视频模型Odyssey-2 Adobe推出一键P视频Frame Forward 科学家研发出热力学采样芯片架构TSU，能效提升1万倍奥特曼押注非侵入脑机接口，用超声波直接读取意念马斯克的脑机接口Neuralink即将开启人脑增强实验 #AI新星计划 #人工智能 #AIGC #OpenAI #机器人

16. 为什么鸿蒙座舱5可以把交代的事办得干净利落？看完MoLA智能化架构后我懂了

17. 27岁清华学霸姚顺雨掌舵腾讯AI 27岁清华学霸姚顺雨掌舵腾讯AI，一个98年出生的年轻人，从清华姚班到 OpenAl，再到腾讯首席AI科学家，顶级人才回流，AI竞赛正式进入agent时代！#AI #腾讯 #agent

18. 未来的人和智能体应该是相互融合协作的关系。 #大咖观察 #红衣聊AI #智能体 #人机协作

19. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

20. 开发Agent只懂拖拉拽？你真的能跟上生产级开发的节奏了吗？

21. 从夯到拉，盘点双11热门智能马桶

22. 99%的人都搞错了AI Agent？智能体该如何帮企业赚钱？

23. 2025过去了！这一年你是不是也在为AI焦虑？老周用360一整年的实践，告诉你答案：不用怕，抓住Agent就赢了！从我自己敲代码做100多个智能体，到带领团队All in，这条AI布道之路，全是实战干货。 2026，你想和智能体一起搞定啥？评论区留言，老周帮你研究！#大咖观察#2026 #年度总结 #红衣聊AI #agent

24. 未来人类社会或将出现百亿甚至千亿智能体，智能体经济是未来方向 #大咖观察 #2026AI看崇礼 #红衣聊AI #智能体

25. Agent Infra到底是什么？【AI基建】

26. 「Github一周热点88期」开源机器人、OCR工具库、开源UI元素平台、深度研究Agent模型、免费的音乐程序、高速处理JSON库

27. 「Github一周热点95期」META 3D 模型、智能体记忆引擎、向量数据库、 Web 3D 引擎、AirPods 跨平台、数据库管理工具

28. 想要张艺谋式色彩、诺兰式调度？如何靠智能体实现？ #大咖观察 #红衣客厅 #红衣聊AI #智能体

29. 「Github一周热点100期」爆火的AI编程工具却被Claude封禁？

30. 做了个RAG评估小框架开源做RAG时发现，麻烦的往往是数据处理到评估的那条流水线。所以顺手写了个工具，用中文数据集做基准，内置标准流程，方便快速试不同的检索和生成方案平时主要用它两件事，一是快速验证新想法，不用重复写脚本，二是在同一套指标下对比不同策略，看问题出在哪#rag#

31. 盘点一周AI大事(10月12日)｜GPT进化AI操作系统 OpenAI发布ChatGPT应用平台 OpenAI推出智能体编排工具AgentKit Sora 2正式开放API，可以生成15秒无水印的高清视频 OpenAI与AMD牵手成功 Google发布最强行动智能体模型Gemini 2.5 Computer Use Google即将发布Veo 3.1，正面硬刚Sora 2 科学家研发出首个自适应AI教师 Hinton称AI已经有了意识，只是它自己不知道 #AI新星计划 #人工智能 #AIGC #OpenAI #机器人

32. 「Github一周热点93期」多智能体舆情分析、桌面 AI 助手、自然语言画图、Rust桌面组件库、Linux服务器安全和GitHub绿墙

33. 「Github一周热点97期」开源AI手机、AI画架构图、AI编程的指导、看板工具、GO语言的游戏引擎和具身智能资料库

34. 「Github一周热点96期」Flux2绘图模型、腾讯的视频生成模型、AI记忆、开源Launchpad、笔记和知识库，Nginx可视化工具

35. 「Github一周热点90期」规格驱动开发、AI记忆引擎、AI agent的docker、开源流媒体平台、开源电商平台和密钥管理平台

36. 「Github一周热点98期」AI文档检索框架、微软最新TTS、Claude Code 记忆插件、自动化备份、 jellyfin和linux桌面环境

37. 对话云栖大会：下一个AI爆款、大模型进化与Agent万亿级企业市场

38. 盘点一周AI大事(9月28日)｜ChatGPT上线私人秘书 OpenAI与英伟达签手成功，英伟达投资OpenAI 1000亿打造算力中心微软与Anthropic感情升温，Copilot也接入了Claude ChatGPT上线私人秘书Agent ChatGPT Palse OpenAI 发布职业力基准测试GDPval 阿里推出千问全家桶，Qwen 3 Max数学竞赛拿满分，多模态Qwen 3 omni全面对标Gemini，最强视觉Qwen VL打败闭源 DeepSeek更新V3.1最终版 Meta开源代码世界模型 Google开发出生成式操作系统原型 #AI新星计划 #人工智能 #AIGC #OpenAI #机器人

39. 「Github一周热点99期」提升ClaudeCode效率10倍的工具？

40. 深度干货-10双最佳体考跑鞋选购指南#跑鞋 #新鞋到了 #鞋狗的日常 #体考跑鞋

41. 蓝色起源成为全球第二个实现火箭回收的公司追上SpaceX，成功的秘诀居然是这个#亚马逊云科技 #生成式AI #出海 #reInvent2025 #AI

42. 探访云栖（二）：AI Agent元年，谁在打造“数字员工”？【101 Weekly】

43. 如果你现在还没用Agent帮自己干活，那其实很危险

44. n8n重磅更新：多智能体编排，AI Agent团队化协作、智能分解复杂任务！

45. RAG优化策略

46. LLM，RAG和Agent不是割裂的，而是一个整体。如果把 AI 系统比作一个生命体，那么 LLM = 大脑，RAG = 记忆，Agent = 执行系统。LLM 像是大脑的皮层，擅长理解、联想和表达。它能在复杂的语言世界中“即兴发挥”，像人类一样推理、总结、编故事。也会在需要时做出“认知上的决策”——比如分析问题的思路、选择回答的方向。然而，大脑并不擅长记住具体事实。它能推断“苹果会掉下来”，却未必记得“牛顿是什么时候发现的万有引力”。这时，就需要「RAG」登场。RAG 相当于一个“外接记忆系统”。当大脑想不起细节时，它能立刻翻查资料库，把相关的事实、文档、图像调出来，再交还给大脑整合成一段有根据的回答。于是，大脑不再是“瞎编”，而是“有据可依”。从技术上讲，这就像给模型装上一个搜索引擎——但比搜索更聪明，因为它能理解上下文、筛选关键信息、甚至融合多个来源的内容。Agent 则像是神经系统中的“执行层”。大脑想出了计划，记忆提供了依据，而真正“去行动”的，是 Agent。它决定什么时候要产生计划，要不要调用工具、查阅资料、生成报告，甚至与外部世界互动。可以说，LLM 负责“想”，RAG 负责“记”，Agent 负责“做”。当这三者协同工作时，AI 便不再是一个“聊天机器人”，而是一个有意识、有记忆、有行动能力的“数字生命”。#ai创造营##科技#

47. Agent 2.0时代来了，首批「工业级智能体」正在核心位置上岗

48. AI大模型应用架构图案例合集

49. 谷歌大神出手，免费发布《智能体设计模式》，AI Agent开发的终极秘籍

50. 从一个公众号智能体说起：好用的Agent，究竟需要什么?

51. 《扣子开发 AI Agent 智能体应用》013-基于大模型的企业知识库（企业知识库必要性）

52. 《扣子开发 AI Agent 智能体应用》016-基于大模型的企业知识库（知识库实战：打造汽车行业智能客服）

53. AI智能体系列 | 05

54. Agentic RAG到底值不值？四大维度实测给你答案！

55. OPPO Mobile-Agent-RAG

56. 传统RAG已到尽头

57. 一文详解智能体式RAG（Agentic RAG）！AI智能体如何赋能大模型检索增强生成？

58. RAG进化论

59. 一文读懂传统RAG、多模态RAG、Agentic RAG与GraphRAG

60. 传统RAG（检索增强生成）与HyDE、Graph RAG 和 Agentic RAG

61. RAG 架构演进全图：从基础检索到多 Agent 协同系统

62. 理解与创新：RAG、Graph RAG以及Agentic RAG在AI中的应用

63. Agentic RAG基础入门

64. Ai智能体Agent&RAG应用能力概述

65. 【专题小结】Agentic RAG及其架构模式

66. RAG 在 Qwen-Agent Memory 中的实现详解

双智能体如何系统性纠偏RAG的“跑偏”困局

精选参考来源