7月7日消息，阿里云百炼知识库推出企业级 Agentic RAG 服务（Knowledge Studio），将传统 RAG 的单次检索升级为多轮自主推理检索。核心变化有两处：检索阶段的 Agentic Search 可循环完成意图理解、任务拆解、多库检索和结果验证，检索不成功时自动换策略、拆子问题或切换工具重试；生成阶段的 Agentic Generation 可反复验证检索结果后再输出答案，支持引用图片、表格等多模态内容并标注来源文档、段落和页码。该服务已支持 MCP、Skill 和 CLI 调用，Qoder、Codex、Dify 等 Agent 工具可直接接入。对于在企业知识库场景中遇到复杂问题准确率不足的开发者，这是一次从"检索一次就回答"到"反复检索直到找到答案"的架构升级。
Agentic Search：6 种工具、15 库联合、失败自动重试
传统 RAG 方案的核心瓶颈在于单次检索：用户提问后，系统做一次向量检索，取回最相关的文本片段，交给大模型生成回答。当问题需要跨多个文档、多步推理或信息散布在不同知识库中时，单次检索的召回率不足以支撑准确回答。
百炼 Agentic Search 的改变是将检索过程变成一个循环：Agent 先理解用户意图，将复杂问题拆解为多个子查询，然后在最多 15 个知识库中分别执行检索，验证结果是否充分，不充分则自动切换策略重试。内置 6 种检索工具——语义搜索、章节浏览、章节精读、页面浏览、SQL 执行和文件获取——Agent 根据问题类型和中间结果自主选择使用哪种工具。用户可按业务重要性为每个知识库设置权重，影响召回结果的优先级排序。
以官方示例为例：用户提问"对比公司产品和竞品在安全认证方面的差异"，Agent 会自动拆解为多个子查询（分别检索公司产品认证信息和竞品认证信息），在不同知识库中多轮检索，思考和检索过程全程可见。
Agentic Generation：多模态引用，来源可追溯到页码
生成阶段同样引入了验证循环。Agentic Generation 不是拿到检索结果就直接生成，而是反复验证检索内容的相关性和充分性，确认后才输出答案。输出支持多模态形式：可以引用知识库中的图片、表格和文档原文，所有引用内容标注来源文档名、段落位置和页码，用户可一键查看原文。
对企业场景而言，来源可追溯是合规刚需。保险、法律、医疗等行业的知识问答不仅要给出答案，还必须标明依据出处。百炼将来源标注做到页码粒度，降低了人工核验的成本。
已有落地案例：吉利汽车和友邦人寿
吉利汽车基于自研大模型与百炼 RAG 构建了车云协同智能生态，通过数百个 Agent 应用提升研发办公效率。友邦人寿通过百炼构建多源保险服务知识库，从产品库、条款库、案例库等多个知识库中联合检索信息，提供 7×24 小时保险咨询服务。这两个案例体现了 Agentic RAG 的两个典型场景：前者是企业内部知识密集型工作的效率工具，后者是面向终端用户的精准问答服务。
Agentic RAG 解决的是"最后一公里"准确率问题
RAG 在过去一年已经成为企业 AI 应用的标准架构，但"最后一公里"的准确率问题一直困扰开发者：简单问题 RAG 表现良好，但涉及跨文档推理、数据对比、多条件筛选等复杂需求时，单次检索的召回不足导致回答质量下降。百炼的 Agentic RAG 本质上是将 Agent 的循环推理能力注入检索环节，用多轮检索和验证来弥补单次检索的盲区。
这种方案的代价是延迟和成本。多轮检索意味着更多的模型调用和更长的响应时间，对实时性要求高的场景（如客服即时应答）可能需要在准确率和响应速度之间取舍。百炼目前未披露 Agentic Search 模式下的平均响应时间和额外成本比例，开发者在选型时需要实测。
接下来看开发者的实际接入体验和准确率提升幅度
百炼 Agentic RAG 已支持 MCP、Skill 和 CLI 三种调用方式，Qoder、Codex、Dify 等主流 Agent 开发工具可直接接入。对开发者而言，接下来最关键的验证是两点：一是在自身业务数据上，Agentic Search 相比普通 RAG 的准确率提升幅度有多大，是否值得为此承受额外延迟和调用成本；二是 15 库联合检索在知识库规模较大时的性能表现——当每个库包含数万文档时，多轮检索的响应时间是否仍在可接受范围内。百炼控制台（rag.console.aliyun.com）已可开通体验。
AI 速览
