企业讨论RAG选型时，常陷入“四种模式背一遍”的误区：Naive、Advanced、Modular、Agentic各是什么、流程怎么画，讲得很全，却无法回答“我们该用哪一种”。选型的本质不是记忆模式名称，而是判断业务对检索质量、理解与推理决策、知识库构建复杂度、落地成本这四个维度的真实要求。本文结合公开资料中反复出现的四类模式与传统RAG缺点，给出可操作的判断框架。
一、演进逻辑：从静态检索到理解、推理、决策
公开资料对RAG演进的描述基本一致：Naive RAG对应最基础的“索引—检索—生成”三阶段；Advanced RAG在检索前后增加优化环节；Modular RAG将流程拆分为可组合模块；Agentic RAG则引入AI Agent，使系统具备理解、推理和决策能力。资料中“Agentic RAG：RAG从静态到具有理解、推理、决策的Agentic RAG”一文明确将这一过程概括为从静态到智能体的演化，并讨论了AI Agent的基本构成与四种核心模式。
这条演进线说明一个关键事实：模式升级解决的不是“检索得更快”，而是“系统能否自己判断该检索什么、检索结果够不够、下一步做什么”。传统RAG的缺点也集中于此——资料中“传统RAG的缺点及RAG优化方向”指出，传统架构在索引、检索、生成三阶段存在检索数据质量不足、模型选择不当等问题，并给出增强训练、微调、检索、推理、语料和知识等全链路优化方向。换言之，很多企业的问题并非“没上Agent”，而是基础检索质量尚未达标。
二、四个选型维度
维度一：检索质量是否达标。 这是选型的第一道门槛。如果当前系统在召回率、相关性上已能稳定满足业务，升级到Agentic RAG的边际收益有限；反之，若检索结果经常答非所问，应先按传统RAG优化方向处理数据质量与检索策略，而不是用Agent的推理能力掩盖检索缺陷。资料中“RAG全攻略”提到知识库构建、检索优化、混合策略及落地四步框架，说明检索优化本身就是一个独立工程。
维度二：是否需要理解与推理决策。 Agentic RAG的核心增量在于理解、推理、决策。当业务问题需要多步检索、工具调用、结果校验或动态调整检索策略时，Agentic模式才有明确价值；若问题主要是单轮事实问答，Advanced或Modular RAG通常足够。资料中“RAG是什么”一文对比了代理型RAG与普通RAG，并介绍了企业采用代理型RAG的原因，可作为判断依据，但具体收益仍需结合自身场景核验。
维度三：知识库构建复杂度。 资料中“RAG 全攻略”将知识库构建列为RAG落地的核心环节。Agentic RAG对知识库的要求通常更高：工具生态、检索接口、结果可追溯性都需要配套。若知识库本身尚未完成结构化治理，直接上Agentic模式会放大构建成本。
维度四：落地成本与可维护性。 模式越复杂，链路越长，调试与运维成本越高。资料中“一文讲清楚RAG四大模式”对四种模式做了全方位对比并讨论适用场景，但企业仍需自行评估团队能力与预算。工程上常见的取舍是：先用Advanced RAG把检索质量做稳，再以Modular方式逐步引入可替换模块，最后在确有决策需求的场景试点Agentic RAG。
三、需要核验的结论
上述框架属于工程分析，不是官方事实。资料中关于Agentic RAG系统类型、工具生态和实际应用案例的描述，来自“Agentic RAG：RAG从静态到具有理解、推理、决策的Agentic RAG”一文；关于GraphRAG、多模态RAG、个性化RAG等未来方向，来自“RAG综述系列”。企业在引用这些结论前，应以官方文档或项目页面核验具体能力边界，避免把综述性描述当作产品承诺。
选型的最终答案不在四种模式里，而在四个维度上：检索质量决定要不要优化，决策需求决定要不要上Agent，知识库复杂度决定能不能上，落地成本决定先上哪一步。