SoK：Agentic 检索增强生成（RAG）的系统梳理：分类、架构、评估与研究方向
人工智能
2026-03-10 v1 计算与语言
密码学与安全
信息检索
摘要
检索增强生成（RAG）系统正日益演变为具有主动性的架构，其中大型语言模型能够自主协调多步骤推理、动态记忆管理以及迭代检索策略。尽管工业采用迅速普及，当前研究仍缺乏对 Agentic RAG 作为顺序决策系统的系统性理解，导致体系结构高度碎片化、评估方法不一致、可靠性风险未解。本 Systematization of Knowledge（SoK）论文提供了首个统一框架，用于理解这些自主系统。我们将 agentic 检索-生成环路形式化为有限时域部分可观测马尔可夫决策过程（POMDP），显式建模其控制策略与状态转换。基于此形式化，我们构建了综合分类和模块化架构分解，将系统按其规划机制、检索编排、记忆范式及工具调用行为进行分类。我们进一步分析了传统静态评估实践的关键局限性，识别出自主环路固有的严重系统风险，包括复合幻觉传播、记忆中毒、检索错位及工具执行级联脆弱性。最后，我们勾勒出关键博士级研究方向，涵盖稳定自适应检索、成本感知编排、形式轨迹评估及监督机制，为构建可靠、可控且可扩展的 agentic 检索系统提供 definitive 路线图。
引用
@article{arxiv.2603.07379,
title = {SoK: Agentic Retrieval-Augmented Generation (RAG): Taxonomy, Architectures, Evaluation, and Research Directions},
author = {Saroj Mishra and Suman Niroula and Umesh Yadav and Dilip Thakur and Srijan Gyawali and Shiva Gaire},
journal= {arXiv preprint arXiv:2603.07379},
year = {2026}
}