Google 推出 Agentic RAG：搜不够就继续搜，让 Gemini 事实准确率提升 34%

现在大部分挂着 RAG 标签的 AI 工具，工作方式其实相当随缘：把你扔进来的问题拿去数据库里搜一趟，搜出来什么就喂给大模型什么，至于材料够不够，全凭运气。

运气好时答得头头是道，运气不好就两手一摊，要么瞎编，要么告诉你「找不到相关信息」。现实里的企业数据分散在各个孤岛，这种「只搜一次听天由命」的做法经常在关键时刻掉链子。

Google Research 与 Google Cloud 联合推出了面向 Gemini 企业平台（Gemini Enterprise Agent Platform）的新框架：Agentic RAG。它不再搞一锤子买卖，而是把检索做成了会自我审查、缺什么补搜什么的多智能体工作流。

官方测试显示，相比标准 RAG，这套架构在事实性基准测试上的准确率直接提升了 34%，而且几乎没有增加额外的延迟。

像质检员一样盯住每一条回答

Google 这套系统的聪明之处，在于它把检索和回答拆成了一个协同流水线，而不是让一个大模型单打独斗。

整个工作流里有协调器（Root Agent）、负责拆解任务的规划器、把长句子改写成检索词的查询重写器，以及负责去各个库里并发捞数据的 RAG Agent。

但真正拉开差距的，是系统里的「充分上下文代理」（Sufficient Context Agent）。你可以把它理解成流水线末端的质检员。

它不只看搜出来的文本片段，还会去审视系统根据现有材料生成的初步回答草稿。如果问题里问了三件事，现有的材料只够回答两件，它不会硬着头皮答，也不会直接放弃。

这位质检员会明确指出「缺了哪一块」，然后给出一个具体的理由，指挥系统发起第二轮甚至更多轮的有针对性的后续搜索，直到信息完整为止。

在 Google 给出的医疗案例中，医生询问术后用药、饮食和过敏史。第一轮搜索只找到了药品和饮食，普通 RAG 这时候就草草交差了，而 Agentic RAG 会发现过敏信息缺失，立刻回头去临床记录里专门调取，补全后再输出最终结论。

为什么重要

我们认为，Google 这次公开的 Agentic RAG 模式，给所有卡在企业级落地的团队提了个醒：RAG 的上限不在于检索算法本身，而在于有没有「知道自己不知道什么」的自检闭环。

对企业和开发者来说，多跳查询（Multi-hop queries）一直是让大模型进入核心业务流程的拦路虎。以往为了解决这个问题，很多人要么堆更长的主动提示词，要么让模型陷入无休止的反思循环导致响应奇慢。Google 证明了用专门的轻量代理做定向补搜，既能把事实准确率拉高 34%，又能把延迟控制在几乎不增加的水平，这个工程平衡做得非常漂亮。

对行业而言，这也给其他 RAG 方案指了路。标准单步 RAG 正在迅速沦为玩具，未来的企业级检索必然是 Agentic 的。不论你用不用 Google Cloud，这种拆分规划、草稿审查与差异化补搜的范式，都是可以直接照抄的架构模板。

不过隐患也在这里。多智能体串联在逻辑上很完美，但在生产环境里，调用的容错率和成本是乘法关系。一旦规划代理拆错了方向，后续的补搜就可能变成无底洞，Google 接下来需要证明这套系统在真实而混乱的企业文档堆里，依然能像论文里一样克制和高效。