Agentic RAG 是 2026 年上半年最活跃的 Agent 工程化方向之一。与传统 RAG 不同，Agentic RAG 将检索决策权交给了 Agent 本身，而不是预设一个固定的检索管道。现有的 Agentic RAG 模式包括：自省检索（Introspective Retrieval）——Agent 先评估自己的知识边界，当不确定性高时才触发检索，而不是每次调用都检索。工具辅助检索（Tool-assisted Retrieval）——Agent 不直接调用向量数据库，而是通过 MCP tool 使用搜索 API、数据库查询和文件系统读取等多种工具获取信息。迭代精化检索（Iterative Refinement Retrieval）——Agent 根据初步检索结果提出更精确的子问题或 filtering 条件，进行二次甚至三次检索，直至获得满意结果。
在《从零上手 Codex》课程中，Agentic RAG 被作为 Agent 调用 MCP 工具的核心用例之一。学习者在课程中构建的第一个实用 MCP 工具就是一个「智能检索工具」——它接受自然语言查询，内部执行 query 重写、多路检索和结果排序。关键工程经验是：将 RAG 的控制权交给 Agent 后，检索质量不再取决于静态 pipeline 的调优，而取决于 Agent 的策略选择（何时检索、检索什么）。课程建议从「单步自省检索」起步，逐步过渡到「多步迭代精化检索」。