RAG 與知識庫
Agentic RAG 代理式檢索是什麼？讓 AI 自己決定查幾次
Agentic RAG 代理式檢索是什麼？讓 AI 自己決定查幾次
傳統 RAG 是查一次資料就作答，遇到查得不夠準的情況，就只能將錯就錯。
Agentic RAG 讓 AI 自己判斷查得夠不夠，不夠就換個角度再查一次。
你將學到什麼
定義
讓 AI 自主判斷要不要查、查什麼、查幾次，而不是固定查一次。
白話比喻
像自己做研究會反覆確認資料夠不夠，而不是查一次就交卷。
跟誰容易搞混
常跟一般 RAG 搞混。一般 RAG 通常固定查一次，Agentic RAG 會自主決定查幾次。
定義
Agentic RAG 是讓 AI 自己判斷要不要查、查什麼、查幾次的檢索方式，而不是固定查一次資料就直接生成答案。它把檢索這個動作，交給 AI 自主決策，而不是寫死的固定流程。
遇到複雜問題時，Agentic RAG 可能會先把大問題拆成幾個小問題，分別檢索後再整合；如果第一輪檢索結果不夠充分，它也會自己調整關鍵字或檢索角度，再查一次，直到覺得資料夠支撐答案為止。
白話比喻
一般 RAG 像是查一次字典就直接寫答案，查到什麼就用什麼。Agentic RAG 更像自己做研究：先查一輪，發現資料不夠完整，換個關鍵字再查一次，甚至拆成幾個小問題分開查，確認資料充分了才動筆作答。
跟一般 RAG 差在哪？
| 項目 | 一般 RAG | Agentic RAG |
|---|---|---|
| 檢索次數 | 通常固定一次 | AI 自主決定，可能多次 |
| 問題處理 | 整題直接檢索 | 可拆解成子問題分別檢索 |
| 彈性 | 較低，流程固定 | 較高，依情況調整策略 |
| 適合任務 | 單純、明確的查詢 | 複雜、需要多方比對的任務 |
實際用例
例如使用者問「這三份合約裡，哪一份的違約條款對我方最不利」，Agentic RAG 會判斷需要分別檢索三份合約的違約條款、逐一比對，才能給出完整答案，而不是查一次資料庫就草率作答。
最常見的誤解是以為 Agentic RAG 一定比一般 RAG 好，什麼場景都該用。多查幾輪代表更多時間與成本，簡單、明確的查詢用一般 RAG 反而更有效率，Agentic RAG 是為複雜任務準備的做法，跟 Task Decomposition 任務拆解 的精神相通。
延伸學習
ChatGPT 很強，但真正讓你下班的是 Google
六小時完整實錄。從「AI 很厲害，為什麼你還是每天加班」這個問題出發，把 Google Workspace 當成真正的工作平台重新設計一次流程 ── Sheets 的資料結構、Drive 與 Docs 的文件流、Gmail 與 Calendar 的通知系統，再用 Apps Script 讓它自己跑起來，最後收斂成一張屬於你自己的 AI 工作能力地圖。
NT$ 4,599
高效思維與腦內模擬：30 日練習與行動系統
每天一件事，三十天把「想到就做」換成「先在腦中跑一遍再動手」。六週依序練目標設定、腦內模擬、結果檢查、反饋與應變、知識萃取、總結與新目標，每天一課圖文，附可以直接填的練習表。週一給概念、週二實作、週三看案例、週四反思、週五收束，跟著節奏走就好，不必自己安排。
NT$ 1,599