常规 RAG（Retrieval-Augmented Generation） 方法非常简单，但是效果有限。它们只能根据最初提出的问题检索一些最顶层的信息片段。在许多企业情况下，那个最初的问题只是一个开始。为了完全理解并解决问题，需要更多的信息和背景。

常规 RAG 无法检索更多细节，无法从多个来源整合信息，或者执行多步骤流程和规划。它只是获取一些相关片段，然后就停止了。但企业面临的是复杂场景，简单 RAG 无法胜任。

主动式 RAG（Agentic RAG） 通过引入基于智能体的框架，彻底改变了问题的回答方式。与仅依赖大型语言模型 (LLMs) 的传统方法不同，主动式 RAG 利用智能体来解决负责问题：复杂计划（Intricate planning）、多步骤推理（Multi-step reasoning）。

主动式 RAG 允许 AI 系统进行迭代推理——理解完整的上下文，通过来回对话收集缺失信息，根据需要调用外部数据源和 API，并整合多部分解决方案，以细致和定制化的方式解决核心问题。

这种迭代推理能力对于企业处理跨领域的复杂用例至关重要。这就是为什么许多企业选择采用主动式 RAG 而不是常规 RAG。

主动式RAG解决方案可以包括像 LlamaIndex、LangChain 等 AI 框架，以及一个向量数据库，如 Milvus 等等。