本文系统梳理Agentic RAG领域的优质开源项目和前沿论文，包含GitHub链接、论文地址和核心创新点。

---

目录

1. 什么是Agentic RAG
2. 开源项目推荐
3. 论文全景
4. 学习路径
5. 技术选型建议

---

什么是Agentic RAG?

传统RAG虽然能检索知识生成回答，但在处理复杂多步推理、动态适应等任务时力不从心。Agentic RAG通过引入自主AI Agent，结合以下核心模式：

• 反思 (Reflection): 自我评估和迭代优化
• 规划 (Planning): 多步任务分解和编排
• 工具使用 (Tool Use): 动态调用外部API和知识库
• 多智能体协作 (Multi-Agent): 分布式任务处理

让系统能够动态适应任务需求，在医疗诊断、金融分析、法律合规等领域表现出色。

---

开源项目推荐

🌟 1. 基础单智能体RAG

Athina AI RAG Cookbooks ⭐⭐⭐⭐⭐

• GitHub: https://github.com/athina-ai/rag-cookbooks
• 技术栈: LangChain + FAISS + Athina AI
• 推荐理由: 完整的Agentic RAG技术实现，包含Basic、Corrective、Adaptive、ReAct、Self RAG，配套Colab Notebook可直接运行
• 适合人群: 初学者系统学习

IBM Granite Agentic RAG

• GitHub: https://github.com/ibm-granite-community/granite-snack-cookbook
• 技术栈: IBM Granite-3-8B-Instruct + Watsonx.ai + Chroma DB
• 特色: 展示国产化模型实现Agentic RAG

NVIDIA Agentic RAG

• GitHub: https://github.com/NVIDIA/workbench-example-agentic-rag
• 技术栈: LangGraph + Chroma + NVIDIA NIMs + Tavily Search
• 特色: 路由架构智能判断RAG/WebSearch pipeline，利用NVIDIA推理加速

---

🤝 2. 多智能体协作RAG

Azure GPT-RAG Agentic Orchestrator

• GitHub: https://github.com/Azure/gpt-rag-agentic
• 技术栈: AutoGen + SQL + AI Search
• 特色: 工厂模式+预定义策略（classic_rag、nl2sql），灵活性极高

Hierarchical Multi-Agent RAG

• GitHub: https://github.com/lorenzejay/agentic-rag-practical-example
• 技术栈: Weaviate + ExaSearch + Groq + CrewAI
• 特色: 分层智能体架构，Manager Agent协调专门工具智能体

---

🔧 3. 自适应与纠错RAG

Hugging Face Agentic RAG

• GitHub: https://github.com/aymericroucher/agentic-rag-query-reformulation
• 技术栈: SmolAgents + HuggingFace + HyDE + Self-Query
• 特色: 查询重构+自查询策略+自评分机制，符合Corrective RAG理念

---

🏢 4. 企业级文档工作流

LlamaCloud Demo系列

• GitHub: https://github.com/run-llama/llamacloud-demo
• 应用场景:
  • 患者病例摘要: /examples/document_workflows/patient_case_summary/
  • 合同审查: /examples/document_workflows/contract_review/
  • 保险理赔: /examples/document_workflows/auto_insurance_claims/
  • 研究报告生成: /examples/report_generation/research_paper_report_generation.ipynb
• 特色: Agentic Document Workflows(ADW)完整实现，企业级应用典范

---

⚡ 5. 性能优化RAG

Redis Agentic RAG

• GitHub: https://github.com/redis-developer/agentic-rag
• 技术栈: LlamaIndex + Redis + Amazon Bedrock + SemanticCache
• 特色: ReAct agent架构+Redis向量存储+语义缓存，大幅降低LLM调用成本

---

📚 6. 垂直领域应用

LawGlance (法律研究)

• Colab: https://colab.research.google.com/drive/1yrS2Kp-kprYWot_sEu7JeWMIRAei_vov
• 技术栈: Crew AI + LangChain + Chroma
• 特色: 多智能体协作检索法律文档，提供精准法律见解

---

论文全景

📊 分类概览

分类	数量	代表工作
综述	1篇	Agentic RAG Survey
经典基础	3篇	RAG, ReAct, Self-RAG
强化学习驱动	40+篇	Search-R1系列
图增强	2篇	GeAR, Agent-G
自适应	4篇	Adaptive-RAG系列
纠错型	2篇	CRAG系列

---

📋 1. 必读综述

Agentic RAG Survey (2025.01) ⭐⭐⭐⭐⭐

• 论文: https://arxiv.org/abs/2501.09136
• GitHub: https://github.com/asinghcsu/AgenticRAG-Survey
• 核心贡献: 最全面的Agentic RAG综述，系统梳理分类体系、设计模式、应用场景和未来方向
• 推荐理由: 入门必读，提供完整技术路线图

---

🎯 2. 经典基础论文

RAG开山之作 (NeurIPS 2020) ⭐⭐⭐⭐⭐

• 论文: https://arxiv.org/abs/2005.11401
• GitHub: https://github.com/huggingface/transformers
• 标题: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
• 核心贡献: Facebook AI提出的检索增强生成范式，奠定整个RAG研究基础

ReAct (ICLR 2023) ⭐⭐⭐⭐⭐

• 论文: https://arxiv.org/abs/2210.03629
• GitHub: https://github.com/ysymyth/ReAct
• 标题: Synergizing Reasoning and Acting in Language Models
• 核心贡献: Reasoning + Acting范式，LLM交替生成推理轨迹和执行动作，是Agentic RAG理论基石

Self-RAG (ICLR 2024 Oral) ⭐⭐⭐⭐⭐

• 论文: https://arxiv.org/abs/2310.11511
• GitHub: https://github.com/AkariAsai/self-rag
• 标题: Learning to Retrieve, Generate, and Critique through Self-Reflection
• 核心贡献: 训练LLM生成反思标记来自我评估检索必要性和响应质量，自反思机制里程碑工作

Reflexion (NeurIPS 2023)

• 论文: https://arxiv.org/abs/2303.11366
• GitHub: https://github.com/noahshinn024/reflexion
• 标题: Language Agents with Verbal Reinforcement Learning
• 核心贡献: 基于语言反馈的强化学习框架，支撑反思型Agent设计

Toolformer (2023.02)

• 论文: https://arxiv.org/abs/2302.04761
• 标题: Language Models Can Teach Themselves to Use Tools
• 核心贡献: Meta AI展示LLM自主学习使用外部工具能力

REPLUG (2023.01)

• 论文: https://arxiv.org/abs/2301.12652
• GitHub: https://github.com/swj0419/REPLUG
• 标题: Retrieval-Augmented Black-Box Language Models
• 核心贡献: 黑盒LLM检索增强，无需模型微调

---

🚀 3. 强化学习驱动的搜索增强RAG (2025年最前沿)

这是2025年最热门的研究方向，通过RL训练智能体自主决策何时检索、如何检索，实现真正的Agentic RAG。

🔥 核心开创性工作

Search-o1 (2025.01) ⭐⭐⭐⭐⭐

• 论文: https://arxiv.org/abs/2501.05366
• GitHub: https://github.com/sunnynexus/Search-o1
• 核心: 增强O1推理模式的大模型自主检索能力

Search-R1 (COLM 2025) ⭐⭐⭐⭐⭐

• 论文: https://arxiv.org/abs/2503.09516
• GitHub: https://github.com/PeterGriffinJin/Search-R1
• 核心: 将RL扩展到RAG场景，开创RL for RAG研究范式
• 影响: 后续40+篇论文的基础工作

R1-Searcher (2025.03) ⭐⭐⭐⭐

• 论文: https://arxiv.org/abs/2503.05592
• GitHub: https://github.com/RUCAIBox/R1-Searcher
• 核心: 两阶段RL框架，仅依赖最终奖励

R1-Searcher++ (2025.05)

• 论文: https://arxiv.org/abs/2505.17005
• GitHub: https://github.com/RUCAIBox/R1-Searcher-plus
• 核心: 增强版，引入内部知识利用奖励+记忆机制

📍 检索优化方向

DeepRetrieval (2025.03)

• 论文: https://arxiv.org/abs/2503.00223
• GitHub: https://github.com/pat-jj/DeepRetrieval
• 核心: 以检索指标为奖励，查询增强补充语义

O1 Embedder (2025.02)

• 论文: https://arxiv.org/abs/2502.07555
• GitHub: https://github.com/RuiranYan/o1embedder
• 核心: Embedder检索前生成推理thoughts

ZeroSearch (2025.05)

• 论文: https://arxiv.org/abs/2505.04588
• GitHub: https://github.com/Alibaba-NLP/ZeroSearch
• 核心: LLM模拟搜索引擎，降低88%成本

s3 (2025.05)

• 论文: https://arxiv.org/abs/2505.14146
• GitHub: https://github.com/pat-jj/s3
• 核心: 解耦搜索器和生成器，仅用2.4k样本，提出Gain Beyond RAG奖励

🎨 奖励机制创新

ReSearch (2025.03)

• 论文: https://arxiv.org/abs/2503.19470
• GitHub: https://github.com/Agent-RL/ReSearch
• 核心: 格式奖励+F1 score

R-Search (2025.06)

• 论文: https://arxiv.org/abs/2506.04185
• GitHub: https://github.com/QingFei1/R-Search
• 核心: 多阶段混合奖励（答案质量+证据质量+格式）

StepSearch (2025.05)

• 论文: https://arxiv.org/abs/2505.15107
• GitHub: https://github.com/Zillwang/StepSearch
• 核心: Token级步骤奖励（StePPO），信息增益+冗余惩罚

LeTS (2025.05)

• 论文: https://arxiv.org/abs/2505.17447
• GitHub: https://github.com/Cheungki/LeTS
• 核心: 过程-结果奖励混合，惩罚重复检索

Search Wisely (β-GRPO) (2025.05)

• 论文: https://arxiv.org/abs/2505.17281
• GitHub: https://github.com/mianzhang/Search-R1
• 核心: 减少不确定性，缓解次优搜索

HiPRAG (2025.10)

• 论文: https://arxiv.org/abs/2510.07794
• GitHub: https://github.com/qualidea1217/HiPRAG
• 核心: 分层过程奖励，实时检测冗余/缺失搜索

E-GRPO (2025.10)

• 论文: https://arxiv.org/abs/2510.24694
• 核心: 合成数据实体信息作为细粒度奖励

LLDS & MA-GRPO (2025.12) 🌟

• 论文: https://arxiv.org/abs/2512.04220
• 核心: 解决GRPO训练崩溃，提出懒惰似然位移理论+似然保持正则化

🧠 知识利用策略

IKEA (2025.05)

• 论文: https://arxiv.org/abs/2505.07596
• GitHub: https://github.com/hzy312/knowledge-r1
• 核心: 内外部知识协同，优先使用内部知识

AutoRefine (2025.05)

• 论文: https://arxiv.org/abs/2505.11277
• GitHub: https://github.com/syr-cn/AutoRefine
• 核心: 边检索边精炼，检索过程自我进化

🌐 真实环境与长视野

DeepResearcher (2025.04)

• 论文: https://arxiv.org/abs/2504.03160
• GitHub: https://github.com/GAIR-NLP/DeepResearcher
• 核心: 真实网络环境深度研究，Search+Browse

ASearcher (2025.08)

• 论文: https://arxiv.org/abs/2508.07976
• GitHub: https://github.com/inclusionAI/ASearcher
• 核心: 大规模异步RL，支持10+轮长视野搜索

🎭 多智能体与模块化

ReAgent (2025.03)

• 论文: https://arxiv.org/abs/2503.06951
• GitHub: https://github.com/astridesa/ReAgent
• 核心: 可逆多智能体推理，解决错误积累

QAgent (2025.10)

• 论文: https://arxiv.org/abs/2510.08383
• GitHub: https://github.com/LivingFutureLab/QAgent
• 核心: 模块化搜索代理，交互式查询理解

🎯 决策与执行分离

DeSA (2025.10)

• 论文: https://arxiv.org/abs/2510.04695
• GitHub: https://github.com/yiding-w/DeSA
• 核心: 质疑结果奖励假设，解耦搜索和回答

DecEx-RAG (2025.10)

• 论文: https://arxiv.org/abs/2510.05691
• GitHub: https://github.com/sdsxdxl/DecEx-RAG
• 核心: 显式解耦决策与执行，搜索树过程监督，SFT+DPO

📊 多跳推理专项

GlobalRAG (2025.10)

• 论文: https://arxiv.org/abs/2510.20548
• GitHub: https://github.com/CarnegieBin/GlobalRAG
• 核心: 全局规划+忠实执行，仅用8k训练数据

EKA (2025.12)

• 论文: https://arxiv.org/abs/2512.20144
• GitHub: https://github.com/yxzwang/EarlyKnowledgeAlignment
• 核心: 早期知识对齐，规划前执行首次检索

🔀 混合检索架构

RouteRAG (2025.12)

• 论文: https://arxiv.org/abs/2512.09487
• GitHub: https://github.com/YucanGuo/RouteRAG
• 核心: 文本+图混合检索，灵活选择检索方式

MARAG-R1 (2025.10)

• 论文: https://arxiv.org/abs/2510.27569
• 核心: 多工具架构（语义+关键词+过滤+聚合）

Interact-RAG (2025.10)

• 论文: https://arxiv.org/abs/2510.27566
• 核心: 细粒度检索控制（多面检索+锚定匹配+上下文塑造）

⚡ 效率优化

TeaRAG (2025.11)

• 论文: https://arxiv.org/abs/2511.05385
• GitHub: https://github.com/Applied-Machine-Learning-Lab/TeaRAG
• 核心: Token效率优化，检索压缩+推理压缩（IP-DPO）

Bi-RAR (2025.11)

• 论文: https://arxiv.org/abs/2511.09109
• 核心: 双向信息距离，多目标RL避免冗长推理链

🎓 自我进化

EvolveSearch (2025.05)

• 论文: https://arxiv.org/abs/2505.22501
• 核心: 迭代自进化，RL+SFT协同，无需人工标注

Search Self-play (2025.10)

• 论文: https://arxiv.org/abs/2510.18821
• GitHub: https://github.com/Alibaba-Quark/SSP
• 核心: 搜索自我博弈，LLM交替提问解决

SSRL (2025.08)

• 论文: https://arxiv.org/abs/2508.10874
• GitHub: https://github.com/TsinghuaC3I/SSRL
• 核心: LLM直接作为搜索引擎

InfoFlow (2025.10)

• 论文: https://arxiv.org/abs/2510.26575
• 核心: 奖励密度优化，子问题分解+双代理精炼

---

🕸️ 4. 图增强RAG

GeAR (2024.12)

• 论文: https://arxiv.org/abs/2412.18431
• 核心: 图扩展技术增强多跳推理

Agent-G (Under Review)

• 论文: https://openreview.net/forum?id=g2C947jjjQ
• 核心: 图知识库+非结构化数据融合，包含Critic模块

---

🎯 5. 自适应RAG

Adaptive-RAG (2024.03) ⭐⭐⭐⭐

• 论文: https://arxiv.org/abs/2403.14403
• 核心: 根据问题复杂度动态选择检索策略

MBA-RAG (2024.12)

• 论文: https://arxiv.org/abs/2412.01572
• 核心: Multi-Armed Bandit算法优化检索策略

CtrlA (2024.05)

• 论文: https://arxiv.org/abs/2405.18727
• 核心: 置信度评估+动态路由，无需额外训练

AT-RAG (2024.10)

• 论文: https://arxiv.org/abs/2410.12886
• 核心: 主题过滤+迭代推理，适合金融等垂直领域

---

🔄 6. 纠错型RAG

CRAG (2024.01) ⭐⭐⭐⭐⭐

• 论文: https://arxiv.org/abs/2401.15884
• LangGraph教程: https://langchain-ai.github.io/langgraph/tutorials/rag/langgraph_crag/
• GitHub: https://github.com/athina-ai/rag-cookbooks
• 核心: 评估检索文档相关性，过滤无关内容或触发网络搜索

Enterprise Troubleshooting (2024.12)

• 论文: https://arxiv.org/abs/2412.12006
• 核心: Corrective RAG应用于企业系统故障排查

---

🏥 7. 垂直领域应用

Medical Reasoning (2024.01)

• 论文: https://arxiv.org/abs/2401.15269
• 核心: 自反思RAG应用于医疗推理，MedQA达到SOTA

Time Series Analysis (2024.08)

• 论文: https://arxiv.org/abs/2408.14484
• 核心: 多智能体RAG应用于时间序列分析

Golden-Retriever (2024.08)

• 论文: https://arxiv.org/abs/2408.00798
• 核心: 工业知识库高保真RAG，自反思机制

---

学习路径

🎯 新手入门路径 (5步)

1. RAG基础 → 阅读 NeurIPS 2020 RAG论文
2. Agent理论 → 阅读 ReAct (ICLR 2023)
3. 全景理解 → 阅读 Agentic RAG Survey
4. 核心技术 → 阅读 CRAG + Self-RAG
5. 实战练习 → 跑 Athina AI Cookbooks

🚀 进阶研究路径

自适应方向 (优化检索策略):

• Adaptive-RAG → MBA-RAG → CtrlA → AT-RAG

自反思方向 (提升生成质量):

• Self-RAG → Medical Reasoning → Golden-Retriever

图增强方向 (知识图谱应用):

• GeAR → Agent-G

多智能体方向 (复杂任务编排):

• Time Series → MetaGPT → Reflexion

RL驱动方向 (最前沿):

• Search-R1 → R1-Searcher → StepSearch → LLDS

💼 实战应用路径

1. 选定场景（医疗/金融/法律/客服）
2. 阅读垂直领域论文
3. 参考开源项目实现
4. 结合实际数据调优

---

技术选型建议

🎯 按应用场景选择

简单QA场景:

• 开源项目: Athina AI Cookbooks
• 论文参考: Search-R1, R1-Searcher
• 理由: 实现简单，效果稳定

复杂多跳推理:

• 开源项目: Hierarchical Multi-Agent RAG
• 论文参考: GlobalRAG, EKA, StepSearch
• 理由: 过程监督+全局规划

成本敏感场景:

• 开源项目: Redis Agentic RAG
• 论文参考: ZeroSearch, s3, TeaRAG
• 理由: 降低API成本，提升token效率

企业级部署:

• 开源项目: LlamaCloud Demo, Azure GPT-RAG
• 论文参考: QAgent, DeSA, DecEx-RAG
• 理由: 模块化设计，易于集成

研究创新:

• 论文参考: LLDS, Interact-RAG, MARAG-R1
• 理由: 前沿技术，高影响力

🔬 按研究方向选择

奖励设计研究:

• StepSearch → LeTS → HiPRAG → LLDS

检索策略研究:

• DeepRetrieval → s3 → MARAG-R1 → RouteRAG

知识利用研究:

• IKEA → AutoRefine → R1-Searcher++

自我进化研究:

• EvolveSearch → Search Self-play → SSRL

---

RL-Based RAG研究脉络

基础范式层（2025.01-03）
├─ Search-o1: O1推理+搜索
├─ Search-R1: RL for RAG开创性工作 ⭐
└─ R1-Searcher: 两阶段RL框架

奖励机制演进（2025.03-12）
├─ 结果奖励: Search-R1, ReSearch
├─ 过程奖励: StepSearch, LeTS, HiPRAG
├─ 混合奖励: R-Search, AutoRefine
├─ 细粒度奖励: E-GRPO, β-GRPO
└─ 训练稳定性: LLDS 🌟

知识利用策略（2025.05）
├─ 内外协同: IKEA
├─ 精炼策略: AutoRefine
└─ 零搜索: ZeroSearch

决策优化（2025.10）
├─ 解耦架构: DeSA, DecEx-RAG
├─ 模块化: QAgent
└─ 全局规划: GlobalRAG, EKA

检索架构创新（2025.10-12）
├─ 混合检索: RouteRAG, MARAG-R1
├─ 交互式: Interact-RAG
└─ 效率优化: TeaRAG, s3

自我进化（2025.05-10）
├─ 迭代进化: EvolveSearch
├─ 自我博弈: Search Self-play
└─ 内部搜索: SSRL

长视野与真实环境（2025.04-08）
├─ 深度研究: DeepResearcher
└─ 长视野: ASearcher

---

学习资源

📚 课程推荐

Andrew Ng系列 (DeepLearning.AI):

• Building Agentic RAG with LlamaIndex: https://www.deeplearning.ai/short-courses/building-agentic-rag-with-llamaindex/
• AI Agentic Design Patterns with AutoGen: https://www.deeplearning.ai/short-courses/ai-agentic-design-patterns-with-autogen/

博客系列 (Andrew Ng):

1. How Agents Can Improve LLM Performance
2. Agentic Design Patterns Part 2: Reflection
3. Agentic Design Patterns Part 3: Tool Use
4. Agentic Design Patterns Part 4: Planning
5. Agentic Design Patterns Part 5: Multi-Agent Collaboration

📖 教程推荐

• LangGraph CRAG: https://langchain-ai.github.io/langgraph/tutorials/rag/langgraph_crag/
• LangGraph Adaptive RAG: https://langchain-ai.github.io/langgraph/tutorials/rag/langgraph_adaptive_rag/
• LlamaIndex Agentic RAG: https://www.llamaindex.ai/blog/agentic-rag-with-llamaindex-2721b8a49ff6
• Hugging Face Agentic RAG: https://huggingface.co/learn/cookbook/en/agent_rag

---

引用格式

Agentic RAG Survey

@misc{singh2025agenticrag,
  title={Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG},
  author={Aditi Singh and Abul Ehtesham and Saket Kumar and Tala Talaei Khoei},
  year={2025},
  eprint={2501.09136},
  archivePrefix={arXiv},
  primaryClass={cs.AI}
}

Self-RAG

@inproceedings{asai2024selfrag,
  title={Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection},
  author={Akari Asai and Zeqiu Wu and Yizhong Wang and Avirup Sil and Hannaneh Hajishirzi},
  booktitle={ICLR},
  year={2024}
}

ReAct

@inproceedings{yao2023react,
  title={ReAct: Synergizing Reasoning and Acting in Language Models},
  author={Shunyu Yao and Jeffrey Zhao and Dian Yu and Nan Du and Izhak Shafran and Karthik Narasimhan and Yuan Cao},
  booktitle={ICLR},
  year={2023}
}

Search-R1

@article{jin2025searchr1,
  title={Search-R1: Training LLMs to Reason and Leverage Search Engines with Reinforcement Learning},
  author={Jin, Peter Griffin and others},
  journal={COLM},
  year={2025}
}

---

总结

Agentic RAG正在从学术研究走向工业落地，本文梳理的6大开源项目和60+篇论文覆盖了：

• ✅ 从基础单智能体到复杂多智能体协作
• ✅ 从通用框架到垂直领域应用
• ✅ 从经典RAG到最前沿的RL驱动搜索
• ✅ 从理论研究到企业级工程实践

📊 统计数据

• 开源项目: 6个（均可直接运行）
• 经典论文: 7篇（RAG, ReAct, Self-RAG等）
• RL-Based论文: 40+篇（2025最前沿）
• 其他前沿论文: 13篇（图增强、自适应、纠错等）
• 总计: 60+篇论文 + 6个项目

🎯 建议

• 入门学习: 从Athina AI Cookbooks开始
• 企业应用: 参考LlamaCloud文档工作流
• 性能优化: 看Redis和NVIDIA加速方案
• 垂直领域: 学习LawGlance等专业应用
• 前沿研究: 关注Search-R1系列和LLDS

---

持续更新提醒: Agentic RAG是2024-2025年最热门的研究方向

关注渠道:

• arXiv: cs.AI, cs.CL分类
• 顶会: NeurIPS, ICLR, ACL, EMNLP
• GitHub: LangChain, LlamaIndex相关项目

更新时间: 2025年12月

---

作者：大模型算法工程师 | 大模型知识分享博主

如有帮助，欢迎Star和分享！