关于RAG系统架构，应选择固定流程的Enhanced RAG，还是让AI自主决策的Agentic RAG？这篇内容通过四大维度的实测，从性能、成本、适用场景等角度，用详实数据揭示了两者间的真实差异，为技术选型提供了清晰的参考依据，打破了“新技术一定更好”的迷思。
智能速览
Agentic RAG在查询改写环节灵活性更强，检索质量平均提升2.8个NDCG点。
在文档优化方面，Enhanced RAG的重排序模型表现远超Agentic的多次检索策略。
成本差异显著，Agentic RAG的Token消耗是Enhanced的2.7-3.9倍，总成本高出3-4倍。
架构选择需看场景：窄领域任务可考虑Agentic，开放域任务Enhanced更稳定。
底层模型大小对两种架构性能的影响趋势一致，两者决策可独立考虑。
精华内容
两种主流RAG架构，Enhanced与Agentic，孰优孰劣并非简单结论。通过实测，发现它们在不同维度上各有胜负，选择的关键在于理解其背后的性能差异与成本代价。
意图处理能力
在判断是否需要检索的能力上，两种架构表现各异。在FIQA（金融）和CQADupStack（语法）这类领域边界清晰的场景，Agentic RAG凭借其强大的理解力，F1分数高达98.8和99.8。
然而，在FEVER（事实验证）这种开放域任务中，Agentic的召回率仅为49.3%，相比Enhanced低了35个百分点。这表明当任务边界模糊时，Agent会过度检索，而基于示例的语义路由反而更稳定可靠。
查询改写效果
查询改写是Agentic RAG的优势环节。它可以根据具体问题灵活决定改写策略，而Enhanced RAG的HyDE方案则是强制改写，有时会画蛇添足。
数据显示，在所有测试数据集上，Agentic RAG的检索质量（以NDCG@10衡量）平均高出Enhanced RAG 2.8个点。尤其在NQ数据集上，Agentic达到51.7，远超Enhanced的43.9，灵活性的优势十分明显。
文档优化短板
在检索后的文档精选环节，结果出人意料。Enhanced RAG通过专门训练的重排序模型，在FIQA数据集上将性能从45.0提升至51.0，提升了6个点。
相比之下，即使允许Agentic RAG多次调用检索工具进行迭代优化，其性能反而比基线还差，在FIQA和CQADupStack上分别降至43.4和44.4。这说明在“精挑细选”这件事上，专用模型比自主决策的Agent更高效。
成本与模型影响
Agentic RAG的自主决策带来了高昂的成本。实测显示，其输入Token消耗是Enhanced的2.7至3.9倍，导致整体API成本高出3到4倍，耗时也增加了1.5倍。
至于底层模型的影响，无论哪种架构，性能都随模型参数增大而稳步提升，且提升曲线几乎一致。这意味着架构选择和模型大小是两个可以独立考虑的决策。
Agentic RAG并非万能灵药，其高昂的成本与特定场景下的性能短板不容忽视。对于大多数预算有限的应用，经过优化的Enhanced RAG是更具性价比的选择。未来，将Agentic的灵活决策与Enhanced的重排序模块相结合，或许是兼顾性能与成本的理想方向。
