agentic-rag

SchemaRouter为异构智能体RAG系统引入了一个轻量级的模式图路由层，通过仅选择必要的工具和字段来最小化检索开销，同时保持答案准确性和出处归因。

本文解释了如何将 MCP（模型上下文协议）集成到 Agentic RAG 系统中，让每个数据域可以管理自己的 MCP 服务器，从而实现标准化的数据访问、安全性以及检索系统的解耦演进。

Introduces LayerRAG-Bench, a cross-layer reliability benchmark for agentic retrieval-augmented generation systems, covering 9 fault scenarios and 38,880 records across nine models, with findings that schema normalization fixes schema drift but not stale, unauthorized, or wrong-session evidence.

解释传统RAG与Agentic RAG的区别，强调Agentic RAG增加了决策层以实现迭代检索和多源推理，并提到即将举办的训练营。

介绍GRASP，一种强化学习框架，训练智能体在多步推理中自适应地协调语义搜索、关键词搜索和段落读取，提高了多跳基准上的检索召回率和问答性能。

本文介绍如何将单轮RAG升级为Agentic RAG，通过让LLM自主决定多次检索和调用工具，解决复合问题的多步推理。提供了基于Qwen3.7-Max的代码示例和实现思路。

清晰解释标准RAG、Graph RAG和Agentic RAG，涵盖它们的区别、用例以及如何处理单跳与多跳查询。

本文提出了一种面向Agentic RAG系统的贝叶斯不确定性传播框架，并在使用GPT模型的多跳问答基准上进行了评估，显示出在工业决策支持中监控可靠性的潜力。

代理型RAG通过AI代理在循环中驱动检索过程，实现多步推理、自动选择数据源和优化查询，解决了标准RAG在处理多跳问题、模糊查询和多数据源时的局限性。

ACIE是一款用于临床信息提取的智能体RAG系统，在核医学医师对7,326个实例的判断中达到96.5%的接受率，解决了异质性患者背景和缺失元数据的挑战。

介绍 ARVRE，一个结合 agentic retrieval 和强化学习的两阶段生成框架，用于生成数学正确性有保证的复杂且新颖的物理文字题。

Google Research 推出了一款 agentic RAG 框架，该框架托管在 Gemini Enterprise Agent 平台上，利用多代理工作流分解复杂的企业查询，并迭代搜索足够的上下文，相比标准 RAG 准确率提升高达 34%。

本文介绍了 FinAgent-RAG，这是一个用于金融文档问答的代理式框架，它结合了迭代检索、程序化思维推理和自适应资源分配，以提高准确性并降低成本。