RAG Agent：让检索从「流水线」变成「智能体」📚专栏导航：这是《LangChain 30篇精讲》的第 21 篇。前面 20 篇我们走过了从 Hello World 到 RAG 全链路优化、再到 LangGraph 入门的完整路径。从这一篇开始，进入模块五：高级 Agent 与生产化。写在前面：那个"什么都检索一遍"的 RAG 系统先讲个真实的故事。我之前做过一个企业内部知识库问答系统，用的是最标准的 RAG 流水线：用户提问 → 向量检索 Top 5 → 拼进 Prompt → 让模型回答。上线第一周，产品经理跑过来跟我说：“你这个系统，问’今天天气怎么样’它也要去知识库里翻 5 篇文档，最后硬编出一个答案，看着特别尴尬。”我说：“那加了拒答机制应该能好点。”（第 17 篇讲的那个）他接着说：“不光是这个。有个同事问’对比一下我们 2023 年和 2024 年的报销政策有什么变化’，系统只检索了 5 篇文档——要么全是 2023 年的，要么全是 2024 年的，根本没法对比。它不会自己去分别检索两次。”那一刻我明白了：传统 RAG 的本质是一条固定的流水线（Pipeline），它不能思考、不能判断、不能变通。而真实的用户问题，需要的是能自己决定要不要检索、检索什么、检索几次、结果够不够好的能力。