RAG正在被Agent改写

从一个面试场景开始，尤其是简历上写了 DeepResearch 项目的同学，很可能被这么问： 🤖面试官： 通义新出的那个 DeepResearch 有了解吗 🤡答：DeepResearch 是阿里搞的一个 Agentic LLM 框架。它通过合成数据增量预训练 + 多阶段后训练，让模型在做复杂研究任务时的多步推理和工具调用能力变得超级强。 它有两种工作模式： 1️⃣ReAct 模式： 就是基础的思考-行动-观察循环，走一步看一步。 2️⃣ IterResearch 模式： 这个是进阶版，能处理超复杂的任务。它会做多轮研究，每轮搞完还会写压缩笔记当成长期记忆，然后再开始下一轮。 整体目标就是让模型像个真正的研究员，自己会上网、会分析、会总结，最后给你一份报告。它的训练闭环是 Agentic CPT → SFT → RL，最后通过 on-policy 强化学习让模型自己卷自己，学会怎么更聪明地去推理。 🤖面试官：为什么它不需要像传统 RAG那样做chunk呢？ 🤡答：DeepResearch 虽然用到了外部检索，但并不是传统意义上的 RAG。它没有预先 chunk 文档做 embedding，而是通过 agent 动态检索网页、筛选、摘要化再整合。 所以它是一个 Agentic RAG，核心在检索增强推理（Retrieval-Augmented Reasoning），而不是生成。检索只是它推理过程中的一个动作而已。 🤖面试官：那你觉得，这种 Agent 架构未来会取代 RAG 吗？ 🤡答：我觉得不会完全取代，但是会融合。 长上下文（Long Context）让模型能读得更多，传统 RAG 让模型能读得准，而 DeepResearch 其实在验证一条新路：检索是模型自己行动的一部分，而不是一个外部的外挂模块。 未来的 Agent 框架，肯定都是在工具调用、动态检索、长记忆这三者之间找平衡。