RAG 的選擇不是技術問題，是資源問題
Agentic RAG 不是技術進步，是資源消耗。選它之前，先確認你有足夠的預算和清晰的領域邊界。
先問兩個問題，再決定架構
我最近在看 RAG 系統的選型，發現很多討論都掉進同一個坑：把 Agentic RAG 當成「更先進」的方案，然後不問成本就往上堆。
但實際上，選 Enhanced 還是 Agentic，根本不是技術優劣的問題。是你有沒有足夠的資源和清晰的領域邊界。
資源充足 + 領域清晰 = Agentic
Agentic RAG 的核心是讓 AI 代理動態決策：選哪個資料庫、調用哪些工具、怎麼組合檢索結果。這聽起來很聰明，但代價是什麼？
- 更多的模型調用：每次查詢不是一次 LLM 推理，而是多輪對話。Token 成本直接翻倍或更多。
- 更複雜的系統：你需要定義清楚代理能用什麼工具、怎麼選擇。這意味著你對領域有足夠的理解，能預定義這些邊界。
- 更難除錯：當結果不對，你要追蹤 AI 的決策路徑，而不只是檢查一個檢索管道。
什麼時候值得付這個代價？當你的任務夠複雜，需要跨多個資料源、多步推理；當你的領域邊界清晰，能明確定義代理的工具集；當你的預算允許更多的 API 調用。
換句話說：你要有錢，也要有把握。
反過來就用 Enhanced
Enhanced RAG 是模組化的流水線：檢索 → 過濾 → 排序 → 生成。每一步都是確定的規則或簡單的 LLM 調用。
它的優勢是什麼？
- 成本可控：一次查詢就是一次檢索 + 一次生成，Token 用量清楚。
- 可預測：因為流程固定，你能更容易地測試和改進每一個環節。
- 對開放域任務更穩定：當領域邊界不清楚時，固定流程反而比 AI 自主決策更靠譜。
但它的瓶頸在文件篩選。如果你的檢索結果品質差，後面再聰明也救不了。所以 Enhanced 的關鍵投資點應該在：改進向量模型、優化文件分塊、建立更好的重排序邏輯。
實際的判斷框架
我現在是這樣看的：
先用 Enhanced 做一個基線。測量它的檢索精準度和生成品質。如果瓶頸在「系統不知道該用哪個資料源」或「需要多步推理」，再考慮升級到 Agentic。
不要反過來。不要因為看起來更智能就先選 Agentic，然後發現成本爆炸、效果也沒好多少。
我也見過一些團隊用 Agentic 但定義得很差——代理的工具集太多，反而增加了決策難度。這時候不是 Agentic 的問題，是你沒有真正理解自己的領域。
一個細節
Enhanced 和 Agentic 不是非此即彼。有些系統會在 Enhanced 的檢索步驟中加入輕量級的代理邏輯——比如根據查詢類型動態選擇檢索策略，但不讓 AI 完全自主決策。這是一個中間態，值得試試。
最後一句：技術選型的本質是權衡。Agentic RAG 很酷，但酷不等於適合你。問清楚自己有什麼資源、面對什麼問題，答案就出來了。
我是江中喬，一位具有 TPM 與產品管理背景的 AI 系統建構者，目前專注於 AI 認知增強系統與多 Agent 協作架構的設計與實踐。
