Appearance
先给结论
1. 普通 RAG
固定流程检索增强。
用户提问后，系统按预设流程去检索知识库，再把检索结果交给模型回答。重点是“把外部知识喂给模型”。IBM 对 RAG 的定义就是：把外部数据源接到生成过程里，让模型在回答时引用检索到的信息。
2. Agentic RAG
带自主决策的 RAG。
不再是“固定检索一次就回答”，而是由 agent 动态决定是否检索、怎么检索、是否改写查询、是否继续补充证据。LangGraph/LangChain 官方教程就把这种模式写成：检索、评估文档、重写问题、再生成答案的动态循环。
3. Deep Research 式研究 Agent
面向复杂研究任务的多步调查型 Agent。
它通常不只是做 RAG，而是像“研究助理”一样持续搜索、交叉验证、浏览多个来源、整理证据、形成长报告。OpenAI 对 Deep Research 的描述就是：能够为你完成多步骤网络研究。
一张脑图式理解
你可以把三者理解成三个层级：
text
普通 RAG
= 先查资料，再回答
Agentic RAG
= 会自己决定怎么查资料，再回答
Deep Research 式研究 Agent
= 像研究员一样持续调查、交叉验证、整理成报告详细对比
一、目标不同
普通 RAG 的目标是：
让回答“有知识依据、少幻觉、能引用私有知识库”。
Agentic RAG 的目标是：
让系统在检索阶段更灵活，能处理更复杂的问题，不被一次检索结果限制。
Deep Research 式研究 Agent 的目标是：
完成一个较完整的“研究过程”，输出不是一句回答，而常常是一份综合分析结果。OpenAI 将其定位为能执行多步网络研究的 agent。
二、流程不同
普通 RAG：固定流程
text
提问 → 检索 → 回答Agentic RAG：动态检索流程
text
提问
→ 判断要不要检索
→ 选择检索源
→ 检索
→ 判断资料够不够
→ 不够就改写查询再检索
→ 回答这类“路由、评估、重写、再检索”的模式正是官方 Agentic RAG 示例里的核心。
Deep Research 式研究 Agent：长链路研究流程
text
提出研究问题
→ 拆分子问题
→ 多轮搜索/浏览
→ 对比多个来源
→ 交叉验证
→ 整理证据
→ 形成完整结论/报告OpenAI 的 Deep Research 介绍强调的就是“multi-step research”。
三、是否“会自己想下一步”
这是最本质的区分。
普通 RAG：
基本不会。流程通常是你预先写死的。
Agentic RAG：
会有限度地“想下一步”，但主要围绕检索相关决策展开。比如：
该不该查
查哪里
查几次
要不要重写 query
Deep Research 式研究 Agent：
会更强地“想下一步”，而且不只围绕检索，还围绕整个研究任务展开。比如：
先研究哪个子问题
哪些来源更可信
哪些结论需要复核
哪些证据彼此冲突
最终如何组织成报告
四、信息来源不同
普通 RAG 常见来源：
向量库
企业知识库
PDF/文档库
FAQ 数据
Agentic RAG 常见来源：
向量库
Web 搜索
SQL/数据库
API
文件系统
Deep Research 式研究 Agent 常见来源更广：
网页
新闻
论文
官方文档
数据库/API
多个站点交叉比对
也就是说，普通 RAG 更像“查内部资料”，
而 Deep Research 更像“做外部调研”。
当然两者也可以混合。
五、输出形态不同
普通 RAG 的输出通常是：
一个问答回复
一段总结
一个带引用的答案
Agentic RAG 的输出通常也是问答结果，
只是背后过程更灵活。
Deep Research 式研究 Agent 的输出更常见是：
长篇报告
分章节分析
多来源证据汇总
带推理链路的研究结论
所以如果用户要的是：
“这个知识点是什么？”
更像普通 RAG。
如果用户要的是：
“帮我综合多个来源调研，然后给出完整结论。”
更像 Deep Research。
六、成本和复杂度不同
普通 RAG
最快
最稳
最便宜
最好调试
Agentic RAG
更慢
更贵
更灵活
更难调试
Deep Research 式研究 Agent
最慢
最贵
最复杂
但研究能力最强
LangGraph 官方也明确区分了 workflow 和 agent：workflow 是预定义路径，agent 会动态决定过程和工具使用。
用场景来记最容易
场景 1：公司制度问答机器人
“年假怎么算？”
用 普通 RAG 就够了。
因为问题明确，知识库固定，流程没必要太动态。
场景 2：企业技术助手
“这个接口为什么 401？顺便帮我找可能相关的鉴权配置文档和历史变更记录。”
这更像 Agentic RAG。
因为它可能需要：
先查接口文档
再查配置说明
再查变更记录
不够再换关键词重搜
场景 3：市场研究/行业分析
“帮我研究一下 2026 年几家 AI 编程工具的产品差异、定价模式、目标用户和近期动态，整理成报告。”
这更像 Deep Research 式研究 Agent。
因为这不是简单问答，而是完整调研任务，需要多轮搜索、筛选、比对、交叉验证和最终成文。
一句话区分公式
你可以记这三个公式：
普通 RAG
= 固定检索 + 生成
Agentic RAG
= 动态决策 + 检索 + 生成
Deep Research 式研究 Agent
= 任务拆解 + 多轮调查 + 交叉验证 + 报告生成
面试回答模板
你可以直接这么说：
> 普通 RAG 是固定流程的检索增强，通常是提问后检索一次知识库，再基于检索结果回答；Agentic RAG 则在这个基础上加入 agent 的动态决策能力，系统可以自己判断是否检索、如何改写查询、是否继续补充证据；Deep Research 式研究 Agent 再往上一步，不只是为了回答一个问题，而是像研究助理一样做多步调查、跨来源验证并输出系统化报告。
最后给你一个最实用的判断标准
问自己一句：
这个系统是在“回答问题”，还是在“完成研究”？”
主要是回答问题，而且流程稳定：普通 RAG
主要是回答问题，但需要灵活检索决策：Agentic RAG
主要是完成调研、分析、报告：Deep Research 式研究 Agent
你要的话，我下一条直接给你画一版：
“普通 RAG / Agentic RAG / Deep Research” 面试对比图（适合背诵版）。
评论区