Agentic Search

概述

Agentic Search（智能体搜索）将搜索/检索行为嵌入 AI Agent 决策循环中：LLM 主动决定何时搜索、搜什么（动态构造查询）、搜多少次（迭代直到满足需求）、如何整合多次结果。是RAG 的动态决策版超集。

关键内容

1. 与 RAG 的本质区别：RAG 是"一次检索→生成"的静态管道（开卷考试类比）；Agentic Search 是"LLM 主动循环搜索"的动态决策循环（研究助理类比）。RAG 是 Agentic Search 的底层工具之一，传统 RAG 是 Agentic Search 的特例。

2. Agentic Search 工作流：用户任务 → LLM 规划（任务分解、子问题生成）→ 工具调用（向量搜索/BM25/文件读取/API/代码执行）→ 结果观察（评估是否满足需求）→ 迭代判断（需要更多信息则重新搜索）→ 生成最终答案。

3. 主流实现模式：

4. ReAct 模式：Reasoning → Action → Observation → 循环
5. RAISE 模式：ReAct + 短期记忆 + 长期记忆
6. CRAG（Corrective RAG）：检索后自动评估质量，质量差则重新搜索
7. Self-RAG：模型本身输出"是否需要检索"的判断令牌

8. Deep Research：多轮搜索 + 规划 + 报告生成（Perplexity/Gemini Deep Research）

9. 代码领域的 Agentic Search：RAG 在代码域的核心问题是 Chunking 破坏代码结构、静态索引快速过期、符号导航需要动态追踪依赖链。Boris Cherny（Claude Code 负责人）："早期版本用了 RAG + 向量数据库，但很快发现 Agentic Search 通常效果更好——更简单，没有安全、隐私、数据过期和可靠性问题。"最优解是"像资深工程师一样探索"（查看目录结构、追踪 import、读整个文件建立心智模型），工具集：Glob/Grep/Read/LSP/Bash。

10. 技术栈：编排层 LangGraph/AutoGen/CrewAI/Agno；工具层 MCP 工具集；检索工具 向量库+grep+LSP+文件系统；记忆层 上下文窗口+外部存储；评估层 LLM-as-Judge。

11. 选型指南：

12. 知识库 QA/文档问答（FAQ 类）→ 传统 RAG 即可（延迟低、可预测）
13. 多跳推理/跨文档综合/代码仓库探索/实时数据 → Agentic Search
14. 最佳实践：以 Agentic Search 为骨架，RAG 为其工具之一的混合架构

来源

• raw/articles/ai-engineering/search-retrieval/Agentic Search 与 RAG：定义、联系与对比.md
• raw/articles/ai-engineering/search-retrieval/代码领域的 Agentic Search 设计指南.md
• raw/articles/ai-engineering/search-retrieval/代码领域：RAG vs Agentic Search 选型决策框架.md

相关

• 检索增强生成 — extends（Agentic Search 是 RAG 的动态决策超集）
• Agent工作流模式 — uses
• ReAct 风格循环 — implements
• BM25 — uses（作为其工具之一）
• 近似最近邻检索 — uses（向量检索工具）