检索增强生成（RAG）解决了一个实际问题：它将大语言模型的输出锚定在模型从未训练过的事实上。但经典 RAG 存在局限性：它仅执行一次检索，将结果填入提示词，并期望前 k 个片段恰好包含答案。其中缺乏自我修正、多步推理能力，且在首次检索失败时无法恢复。代理式 RAG（Agentic RAG）通过引入由大语言模型驱动的代理来打破这一局限——该代理负责决定检索什么、何时再次检索、评估检索到的上下文是否足够可靠，以及在回答前如何整合多个信息源。本文将逐步演示如何从头构建一个代理式 RAG 系统，并提供可适配您自身技术栈的完整代码。