从 RAG 到 Agentic RAG，不仅是一次技术升级，更是一次架构思维的转变：从最初的“AI 只能查”，演进到“AI 能记住”，再到“AI 可以动手”，最终迈向“AI 能够自主规划和执行复杂任务”。
本文将聚焦这一演进的核心基础设施——Spring AI Advisors 与 Koog 框架，通过清晰的对比与实战代码，帮你理解如何一步步构建具备自主规划能力的 Agentic RAG 系统。
回顾我们前几篇文章构建的 RAG 应用，核心链路是：用户提问 → 向量检索 → 补充上下文 → LLM 生成回答。这套流程解决了“AI 如何获取企业内部知识”的问题。
但在真实业务场景中，用户的需求远不止于此。试想：用户在客服系统购买了一张机票后紧接着问“能帮我把订单地址从 A 改成 B 吗？”
传统 RAG 只能回答“很抱歉，我无法更改您的订单”。用户真正需要的是AI 主动调用订单系统的修改 API，完成地址变更操作——这种“看完知识库后直接行动”的能力，标志着 AI 从“回答问题”进化到了“完成任务”。而这，正是 Agentic RAG 的核心命题。
2.1 Advisor 是什么？
Spring AI Advisors 本质上是一套AOP 风格的横切（cross-cutting）组件，在 LLM 调用前后拦截并增强请求与响应的
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/282825.html