Agentic RAG、传统RAG、ReAct、Function Calling 核心关系

Agentic RAG、传统RAG、ReAct、Function Calling 核心关系教学文档

一、核心层级总览

四个概念层级不同、各司其职，从底层能力到上层应用，层级从上到下：

1. Function Calling（底层能力）：大模型的「工具调用基础能力」

2. ReAct（通用范式）：Agent 智能体的「思考+行动闭环框架」

3. 传统 RAG（固定流水线）：静态检索增强生成方案，无智能决策

4. Agentic RAG（高级落地方案）：基于 ReAct+Function Calling 的智能检索增强方案

最简公式 ：
Agentic RAG = 传统RAG + ReAct 智能闭环 + Function Calling 工具能力

---

二、四个概念独立定义（精准区分）

1. Function Calling（函数调用）

定位：底层基础能力（最小单元）

核心作用 ：让大模型学会识别任务、生成结构化参数、调用外部工具。

特点：

• 只负责「调用工具」，不负责「思考规划」

• 单次动作，无循环、无反思

• 是 ReAct、Agentic RAG 的技术底座

举例 ：模型识别到需要查天气，自动生成 get_weather(city=北京) 调用指令。

2. ReAct（Reasoning + Acting）

定位：通用智能体执行范式（核心框架）

核心作用 ：给大模型增加思考-行动-观察的循环闭环能力。

标准闭环 TAO：

• Thought 思考：分析问题、拆解步骤、决策下一步动作

• Action 行动：通过 Function Calling 执行工具调用

• Observation 观察：接收工具返回结果，作为下一轮思考依据

特点：可循环、可迭代、可反思、具备类人解决问题的逻辑。

3. 传统 RAG

定位：静态、固定流水线检索方案

核心流程：用户提问 → 固定检索 → 拼接上下文 → 生成答案

致命缺陷：

• 无思考能力，全程硬编码流水线

• 单次检索，查到什么用什么，无法迭代重查

• 无法判断信息是否充足、是否需要换检索策略

• 复杂问题、多步骤问题极易答偏、缺信息

4. Agentic RAG（智能体RAG）

定位：新一代动态、智能、可迭代的检索增强方案

核心思想 ：将 ReAct 闭环思维 融入 RAG，把「检索」变成 Agent 的行动动作。

新增能力：

• 自主判断：是否需要检索、检索几次

• 自主路由：选择向量检索/关键词检索/API检索

• 自主评估：判断检索结果是否可用，不足则重新检索

• 多轮迭代：直至信息充足再生成答案

---

三、四者层级与依赖关系

1. Function Calling 是所有高级能力的基础：没有函数调用，模型无法执行任何外部动作，ReAct 和 Agentic RAG 都无法落地。

2. ReAct 是智能体的核心逻辑框架：定义了「思考-行动-观察」的通用解题流程，不局限于 RAG，可用于所有 Agent 场景。

3. 传统 RAG 无任何智能能力：纯工程流水线，无思考、无决策、无循环。

4. Agentic RAG 是终极组合形态 ：

   传统RAG检索能力 + ReAct闭环推理框架 + Function Calling工具调用能力

---

四、流程对比（直观看懂差异）

传统 RAG 流程

用户提问 → 固定检索1次 → 直接生成答案（无思考、无校验、无迭代）

Agentic RAG 流程（ReAct 闭环）

用户提问 → Thought(分析问题) → Action(检索/工具调用) → Observation(获取结果) → Thought(评估信息是否充足) → 不足则继续检索 → 充足则生成最终答案

---

五、高频总结（一句话区分）

• Function Calling：大模型「会干活」的基础（只会调用，不会思考）

• ReAct：大模型「会思考着干活」的通用范式（思考+行动循环）

• 传统 RAG：无脑固定检索流水线，静态、单次、无智能

• Agentic RAG ：用 ReAct 思维+Function 能力，把传统 RAG 升级为可思考、可迭代、可反思的智能检索系统

---

六、终极可视化关系流程图

6.1 四层层级依赖总图（从底层能力到上层应用）

Function Calling底层基础-工具调用能力
ReAct通用框架-思考-行动-观察闭环
Agentic RAG高级落地-智能迭代检索
传统RAG基础基线-固定静态流水线
核心公式: Agentic RAG = 传统RAG + ReAct闭环 + Function能力

6.2 传统 RAG 固定流水线图

用户提问
单次固定检索向量库/关键词检索
拼接检索上下文
LLM直接生成答案

核心特征：无思考、无校验、无迭代、硬编码执行，检索结果质量全靠运气

6.3 Agentic RAG 智能 ReAct 闭环流程图

不充足/不可用
充足/可用
用户提问
Thought 思考意图分析+任务拆解+决策策略
Action 行动Function Calling执行: 检索/API调用
Observation 观察接收工具/检索返回结果
Thought 反思评估信息充足? 结果可用?
生成最终精准答案

核心特征：循环迭代、自主决策、自我校验、动态调整策略，彻底解决传统RAG的短板

6.4 四概念核心能力对比图

能力维度
工具调用
逻辑思考
循环迭代
检索能力
自我反思
Function Calling
ReAct
传统RAG
Agentic RAG