在大模型时代，如何让 AI 系统更准确、更高效地回答用户问题，是开发者和研究者共同关注的核心议题。传统的RAG（Retrieval-Augmented Generation，检索增强生成）技术虽然显著提升了模型的事实准确性，但在面对复杂多变的现实场景时，仍显得“力不从心”。
今天，我们要介绍一种更智能、更自适应的新一代 RAG 范式——Agentic RAG，尤其是其中的关键策略：Adaptive RAG（自适应检索增强生成）。它不仅能够动态判断问题复杂度，还能自主选择最优的信息获取路径，真正实现“因问施策”。
一、为什么需要 Adaptive RAG？
想象一下这两个问题：
- 简单查询：“巴黎是哪个国家的首都？”→ 大模型本身就能直接回答，无需检索。
- 多跳复杂查询：“攻占马拉科夫要塞的人是什么时候来到菲利普斯堡所在地区的？”→ 需要至少四步推理：谁攻占了要塞？他们何时行动？菲利普斯堡在哪？这些人何时到达该地？
传统 RAG 的做法通常是“一刀切”：
- 单步 RAG：对简单问题高效，但无法处理多跳推理；
- 多步 RAG：能解决复杂问题，却对简单问题造成巨大资源浪费。
于是，Adaptive RAG 应运而生——它的核心思想是：并非所有查询都一样，系统应根据问题复杂度动态选择策略。
📌Adaptive RAG = 动态查询分析 + 主动/自我纠错机制
二、Adaptive RAG 的三大核心机制
1.智能查询路由（Query Routing & Classification）
系统首先通过一个“复杂度分类器”判断：
- 是否需要检索？
- 需要哪种检索方式？（本地知识库 / 网页搜索 / 直接回答）
这一步避免了“为了查‘1+1=2’而去翻数据库”的低效操作。
2.动态知识获取策略
根据分类结果，系统自动选择最合适的路径：
- 无需检索：模型参数知识足够 → 直接生成答案；
- 向量检索：问题属于专业领域（如“Agentic RAG 架构”）→ 查询本地 Qdrant 向量库；
- 网页搜索：需要最新信息或本地无答案 → 调用 Tavily 等搜索 API。
3.多阶段质量保障（Multi-stage QA）
为确保答案可靠，系统设置三重“质检关卡”：
- 文档相关性评分：检索到的内容真的相关吗？
- 幻觉检测（Hallucination Grading）：答案是否基于事实，而非“一本正经地胡说八道”？
- 答案有用性评估：即使事实正确，是否真正回答了用户的问题？
一旦任一环节不达标，系统会自动触发重试、补充检索或切换信息源。
三、我实现的 Adaptive RAG 系统
在这个视频中我展示了一个基于 LangGraph 和通义千问 实现的一个完整的 Agentic RAG 工作流：
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
