Agentic RAG

之前学习的一直都是传统rag，但是随着mcp/agent的概念逐渐成熟，有人尝试修改rag的方法论，把agent引入其中，即agentic 。（

传统rag，即prompt提出后，首先会从数据库中查询近似的数据（chunk，embeding&rerank），之后更新prompt，再输入llm，最终输出。

agent：将llm，mcp等涵盖在一起的应用（之前我们都是agent为主，其他为辅助，但是agentic rag的概念则是站在rag为主，其它为辅的角度出发）；

agentic rag：RAG=RAG+agent。例如single agentic rag，prompt提示出，不是查数据库找到近似的知识，而是进入一个agent，agent会根据prompt去分析去设计甚至调用其他工具如数据库，web资料等等，再去更新prompt，之后输入到llm，给出最终回复。 mult-agentic rag，则会有专门的agent去调用工具。

ps：rag的开发同agent类似，也有元开发的架构，如python的langchain、llamaindex等（一般rag和agent都混合了），低代码的dify，anythingllm，cherrystudio等（同样他们也支持低代码agent）。