RAG系统实战指南：Enhanced vs Agentic全方位对比，附代码实现+收藏价值，助你选对AI决策方案

本文对比了两种RAG系统：Enhanced RAG（模块化流水线）和Agentic RAG（AI自主决策）。研究发现，在窄域任务中Agentic表现更优，开放域任务中Enhanced更稳定；查询改写环节Agentic胜出；文档精选Enhanced的重排序更有效；但Agentic成本高出3-4倍。结论是应根据场景、预算和需求选择合适架构，或采用混合方案取两者之长。

研究背景

想象一下，你问ChatGPT一个问题，它不仅要从自己的"大脑"里找答案，还要翻遍外部知识库，然后再给你回复。这就是RAG（检索增强生成）系统做的事情。但问题来了：是让系统按照固定流程一步步走，还是让AI自己当"项目经理"，自主决定每一步该干什么？

这篇论文就是要回答这个问题。研究团队把RAG系统分成了两大阵营：

Enhanced RAG（增强型RAG）：就像一条精心设计的流水线，有专门的"查询改写工"、"文档排序工"等模块，各司其职
Agentic RAG（智能体RAG）：让大语言模型当总指挥，它自己决定要不要检索、要不要改写查询，完全自主控制

目前业界对这两种方案各有追捧，但到底哪个更好用？在什么场景下该选哪个？成本和性能怎么平衡？这些问题都没有明确答案。于是研究团队决定做一次"华山论剑"式的全面对比。

他们的核心贡献有两点：第一，从四个关键维度评估了两种系统的实际表现；第二，详细分析了成本和计算时间的差异，给实际应用提供了非常实用的参考。

核心方法：四大维度的"拳拳到肉"对比

研究团队选了四个关键维度来PK这两种系统，每个维度都对应Naïve RAG的一个痛点：

1. 用户意图处理：该不该检索的判断力

问题情境：用户问"今天天气怎么样"，系统不应该去知识库里翻文档；但问"公司Q3销售报告的关键数据是什么"，就必须检索。这个判断能力很重要。

Enhanced的做法：用semantic-router框架，提前准备一堆"有效问题"和"无效问题"的例子，新问题来了就跟这些例子比相似度，判断属于哪一类。

Agentic的做法：让GPT-4o自己决定，它可以选择"调用RAG工具"或者"直接回答"。

测试方法：在FIQA（金融问答）、FEVER（事实验证）、CQADupStack（论坛问答）三个数据集上各准备500个有效查询和500个无效查询，看谁判断得准。

2. 查询改写：让问题和文档"说同一种语言"

问题情境：用户问"自由职业的税务影响是什么？“，知识库里的文档可能写的是"自由职业者需要缴纳以下税种……”，表述方式不一样，直接匹配效果差。

Enhanced的做法：强制执行HyDE改写——把问题改写成一段假想的答案，比如"自由职业需要缴纳特定税种……"，然后用这段文本去匹配知识库。

Agentic的做法：提示词里告诉Agent可以改写查询，但Agent自己决定要不要改、怎么改。

评估指标：用NDCG@10（归一化折损累积增益）来衡量检索质量，这是信息检索领域的黄金标准。

其中：

是第个文档的相关性标签。

3. 文档列表优化：检索完还能再精选

问题情境：第一次检索可能拿到20个文档，但其中有些不太相关，需要进一步筛选。

Enhanced的做法：用基于ELECTRA的重排序模型，把20个文档重新排序，选出最相关的10个。

Agentic的做法：Agent可以多次调用检索工具，每次都能调整查询策略，自己迭代优化。

4. 底层模型影响：换个"大脑"性能差多少

实验设计：用Qwen3系列的四个模型（0.6B、4B、8B、32B参数）分别测试，看模型大小对两种系统的影响是否一致。

评估方式：用Selene-70B作为"AI裁判"，评价生成答案的质量。这个模型在LLM-as-a-Judge竞技场排名很高，而且在金融问答任务上跟人类评价高度一致。

实验效果：谁更强？要看具体场景

用户意图处理：Enhanced在复杂场景更稳

结果很有意思：在FIQA（金融）和CQADupStack（英语语法）这种领域边界清晰的场景，Agentic RAG表现更好，F1分数分别达到98.8和99.8。但在FEVER（事实验证）这种开放域任务上，Agentic的召回率只有49.3%，比Enhanced低了35个百分点！

原因很明确：当任务边界模糊时，Agent经常"过度热情"，本不该检索的也去检索了。而Enhanced的基于示例的路由系统，在这种情况下反而更稳定。

查询改写：Agent的灵活性胜出

在所有数据集上，Agentic RAG的检索质量平均高出Enhanced RAG 2.8个NDCG@10点。特别是在NQ（自然问题）数据集上，Agentic达到51.7，比Enhanced的43.9高了近8个点。

这说明什么？Agent能根据具体问题灵活决定改写策略，而Enhanced是"一刀切"的强制改写，有时候反而画蛇添足。

文档优化：Enhanced的重排序完胜

这个结果出人意料：Enhanced RAG通过重排序模块，在FIQA上从45.0提升到51.0（提升6个点），在CQADupStack上从46.0提升到48.0。

但Agentic RAG呢？即使允许它多次调用检索工具，性能反而比基线还差（FIQA降到43.4，CQADupStack降到44.4）。看来Agent虽然能自主决策，但在"精挑细选文档"这件事上，还是不如专门训练的重排序模型靠谱。

模型大小影响：两者表现趋同

无论Enhanced还是Agentic，随着底层模型从0.6B增大到32B，性能都稳步提升，而且提升曲线几乎一致。这说明模型能力的影响是跨系统的，选哪种架构和选多大的模型可以独立考虑。

成本分析：Agentic的"奢侈税"不容忽视

这部分数据可能是最让实际应用者关注的：

Token消耗对比（FIQA数据集）：

Agentic比Enhanced多消耗2.7倍的输入token
输出token多1.7倍
整体耗时增加1.5倍

在CQADupStack数据集上差距更大：

输入token多3.9倍
输出token多2.0倍

换算成真金白银：如果你用OpenAI的API，Agentic RAG的成本可能是Enhanced的3-4倍。对于大规模应用，这不是小数目。

为什么会这样？因为Agentic需要不断"思考"——每一步都要推理要不要调用工具、怎么调用，这些中间步骤都要消耗token。而Enhanced是固定流程，该干啥干啥，不用额外"思考"。

从分布图可以看出，Agentic的token消耗和耗时都有明显的"长尾"现象——有些查询特别费劲，Agent要反复调用工具好几次。

论文总结：没有银弹，只有权衡

这篇论文最大的价值在于：打破了"新技术一定更好"的神话。

主要发现可以总结为：

窄领域任务选Agentic，开放域任务选Enhanced：在金融、语法这种边界清晰的场景，Agent的理解力能发挥优势；但在FEVER这种"什么都能问"的场景，基于规则的路由反而更可靠。
查询改写环节Agentic占优：灵活的改写策略确实能提升检索质量，平均提升2.8个NDCG点，这个优势是实打实的。
文档精选必须上重排序：Agent多次检索的策略没有Enhanced的专用重排序模型好用，这可能是Agentic架构的最大短板。论文建议：为什么不在Agentic里也加个重排序工具？
成本差异不可忽视：3-4倍的成本增加对很多应用来说是难以承受的。除非你对性能有极致要求，否则优化好的Enhanced RAG可能更实惠。
模型大小影响两者一致：这意味着你可以先选架构，再根据预算选模型，两个决策相对独立。

实用建议：

如果你是企业开发者，在小规模、预算有限的场景下，Enhanced RAG可能是更明智的选择——性能够用，成本可控。

如果你追求极致的用户体验，或者应用场景特别复杂多变，那Agentic RAG的灵活性值得你为之付费。

但最理想的方案可能是"混合架构"：用Enhanced的重排序模块 + Agentic的灵活决策，取两者之长。研究团队也坦言，他们的Agentic实现只用了一个工具（RAG），如果给Agent配置更丰富的工具箱，结果可能完全不同。

这场对决没有绝对的赢家，但给了我们一个清晰的参考系：选RAG系统，要看场景、看预算、看需求，盲目追新不如理性权衡。