AI Agent 实战教程 05：RAG 如何增强 Agent
RAG 是 AI Agent 获得外部知识的重要方式。没有 RAG，Agent 主要依赖模型参数和当前上下文；有了 RAG，Agent 可以查询文档、知识库、数据库和业务资料，从而回答更具体、更实时、更可信的问题。
对于 Agent 来说，RAG 通常不是一个独立应用，而是一个工具。当 Agent 判断自己缺少知识时，就调用检索工具，把相关内容取回，再基于这些内容继续推理或执行任务。
RAG 的基本流程
RAG 通常包含四个核心步骤。
第一，文档处理。系统把文档、网页、笔记或数据库内容切分成较小片段，也就是 chunks。切分太大，检索不精准；切分太小，语义可能不完整。
第二，向量化。使用 Embedding 模型把每个 chunk 转成向量。向量可以表达文本语义，使系统能根据相似度查找相关内容。
第三，检索。用户提出问题后，系统把问题也转成向量，在向量数据库中找出最相关的 chunks。
第四，生成。系统把检索结果放入模型上下文，让模型基于这些资料生成回答。
Agent 为什么需要 RAG
Agent 经常要处理具体业务任务，而这些任务需要外部知识。例如：
- 根据公司内部文档回答问题；
- 根据 API 文档生成代码；
- 阅读会议纪要并提取待办；
- 根据产品资料生成教程；
- 查询历史决策记录；
- 从知识库中找出相关案例。
这些知识通常不在模型参数中，即使模型知道一些通用知识，也无法保证和当前业务一致。RAG 可以让 Agent 使用可控知识源。
Embedding 的作用
Embedding 是 RAG 的基础。它把文本转成向量，使“语义相近”的内容在向量空间里距离更近。
例如用户问“如何让 Agent 调用外部系统”，即使文档里写的是“Tool Calling 用于连接函数和 API”，向量检索也可能找到相关内容。
但 Embedding 不是万能的。它可能找出语义相似但事实不匹配的内容，也可能漏掉关键词强相关的内容。因此生产系统常结合关键词搜索、过滤条件和 rerank。
上下文注入的技巧
检索到内容后，不能简单全部塞给模型。上下文窗口有限，内容越多，模型越容易分散注意力。
常见优化包括：
- 只保留 Top K 结果；
- 对结果去重；
- 使用 rerank 重新排序；
- 保留来源信息；
- 对长内容做摘要；
- 按任务类型选择不同检索策略。
对于需要可信答案的场景，最好要求模型基于检索内容回答，并在必要时给出引用。
RAG 与 Agent 的结合方式
最简单方式是把 RAG 封装成一个工具，例如 「search_knowledge_base(query)」。Agent 在需要知识时调用它。
更复杂的方式是让 Agent 能选择不同知识源。例如产品文档、代码仓库、历史工单、会议纪要分别对应不同检索工具。Agent 先判断问题属于哪个领域，再选择相应工具。
还可以让 Agent 在检索结果不足时自动扩展关键词、调整过滤条件，或者向用户澄清问题。
常见问题
第一个问题是检索不到。可能是文档没入库、切分不合理、Embedding 模型不适合、查询改写不充分。
第二个问题是检索到了但用不好。模型可能忽略上下文，也可能把不同来源混在一起，产生不准确结论。
第三个问题是知识过期。文档更新后，如果索引不更新，Agent 会使用旧知识。
第四个问题是权限隔离。不同用户能访问的知识库不同，RAG 必须遵守权限边界。
小结
RAG 让 Agent 拥有外部知识，但可靠性来自工程细节：文档切分、Embedding、向量数据库、rerank、上下文组织、引用约束和权限控制。对于企业级 Agent，RAG 往往是从演示走向可用的关键一步。