agentic rag到底是什么

提问

AI根据立正公开的文章和视频整理,不是他本人回复

资料里没有直接定义“agentic RAG”这个词;能确定的是,立正把 RAG 拆成上下文管理、切分、判断、评估、诊断、编排这些动作,而 agentic 的核心是围绕目标反复计划、行动、观察、更新。两者叠加,就是让检索不再是一次性取数,而由智能体自己决定查什么、查完怎么用、不够再查。

RAG 的价值在动作,不在名词

立正讲 RAG 时,重点不在“RAG 是什么”,而在它对应哪几件具体的事:管理上下文、切分材料、判断该取什么、评估取到的内容、诊断哪里出错、把各步骤编排起来。他认为企业愿意付溢价的是这条流水线之上的能力,只背名词会越来越不值钱⁠1。按这个思路,agentic RAG 可以理解为:把上面这些动作交给一个能自主决策的循环去执行,而不是写死一条“先检索、再拼进提示词、再回答”的固定流程。

agentic 的关键是计划、行动、观察的循环

立正把真正的智能体核心描述为一个循环:围绕目标做计划、采取行动、观察结果、更新状态,再决定是否继续⁠2。放到检索场景里,差别就落在“查一次就够”还是“查完看结果再决定下一步”:比如问题涉及多个实体关系时,智能体可以先查一层,发现缺信息再补查,而不是一次取回一堆片段硬答。那篇讲 Graph 数据库与向量数据库的文章里,AMD 的 IT Ops Agent 案例也体现了类似结构——在知识图谱之上接数据,生成查询后由外层审计拦截错误、把错误信息发回让它自我修正⁠3。不过那段是转述未末的客户案例,不是立正对 agentic RAG 的专门定义。

判断标准是它能不能在真实任务里跑通

AI推演

立正反复强调,AI 相关概念最终要看能不能落到真实业务里跑起来,企业买单的是系统在业务中真正运转,而不是能不能访问到某个模型⁠4。所以判断一个系统算不算 agentic RAG,可以看它在你的任务里是否真的会自主决定检索策略、并在结果不对时调整,而不是看它贴了什么标签。一个可试的做法:拿一个需要多步查证的问题,观察系统是只检索一次就作答,还是会根据中间结果追加查询、修正方向——这能帮你区分“固定流水线加检索”和“带决策循环的检索”。

资料里没有专门讲“agentic RAG”的段落,以上是把 RAG 的动作拆解和智能体循环两处材料合起来推的,属于理解性延伸,不是立正的原话定义。

回到4份原文

harness到底是什么

追问

AI根据立正公开的文章和视频整理,不是他本人回复

Harness 是模型外面那套让它能干活的环境:工具、文件、反馈和纠错机制。模型再强,也要靠这套“马具”才能被驾驭、稳定完成任务。

Harness 是模型外面的运行环境

立正用马和马具打比方:模型是最强的马,但还需要缰绳、马鞍、马蹄铁才能驾驭它,这一整套就是 harness⁠1。更具体地说,Codex、Claude Code 这类工具本身就是很好的 harness,它们把模型放进一个能读写文件、调用工具、执行任务、看见反馈并继续修正的环境里⁠2。所以 harness 不是模型本身,也不是某段 prompt,而是模型周围那套已经做好的工程。同一个任务直接交给它们往往能做出来,换成自己拼一串 API 加 prompt 却做不好,差别就在这套环境⁠2。

它解决的是运行中的不确定性

过去做软件是把步骤和异常都预先规定好,搬到 AI 上就变成预先排好节点和 prompt,出问题再补规则;但真正折腾人的问题大量发生在系统跑起来之后,人兜底就成了系统上限⁠2。Harness 的思路是把要达到的结果和验收标准讲清楚,让模型在环境里自己处理运行中的问题。一个具体做法是用文件保存任务状态,让 harness 读取、检查、修改,模型看见哪里没达标就继续改⁠2。立正也提到,harness engineering 这类概念说到底是在给 agent 创造更好的环境,让它更好地用工具、多步决策、自我迭代⁠3。

这个词本身被讲得很乱

立正提醒 harness 有狭义和广义之分:狭义是 OpenAI、Anthropic、Cursor 等公司文章里定义的那套,关注在时间、数量、人机交互上如何更 scalable;国内说 harness 时,范围往往被扩成 2024 年之后发生的所有事情⁠4。他也说这个概念出来几个月,几乎没人能讲清楚它到底干什么,各家定义后来才逐渐收敛,而 Garry Tan 的定义是他比较喜欢的⁠5。所以听到别人谈 harness,先分清他说的是那套运行环境,还是一个被撑大的筐。

关于 harness 的讨论多集中在概念和架构层面,具体到某个团队该怎么搭这套环境,现有片段没有给出完整方案。

回到5份原文