智能体RAG突破传统RAG一次性检索的局限，让大模型具备“推理-行动”能力：可基于初步结论动态调用检索工具、跨源交叉验证，实现多轮查证与迭代思考，显著提升回答的全面性与准确性。
AI 科普达人 New Machina 介绍了一种新的智能体设计思路：智能体 RAG。
传统的 RAG 模式已经在实践中证明了其价值。它通过将大语言模型与向量数据库结合，能够实时检索相关信息并生成更准确的回答。但这种模式存在一个局限：检索过程是一次性的，且大语言模型只有一次生成响应的机会。这就好比让一个人在只能查阅一次资料的情况下直接给出最终答案，而不能根据需要多次查证和思考。
而这种 “智能体RAG” 能够突破这一限制。在这种新的模式下，大语言模型可以像人类专家那样，根据初步推理结果判断是否需要获取更多信息，然后有针对性地调用不同的检索工具，甚至可以在多个数据源之间交叉验证。这种 "推理-行动" （ReAct）的交替过程使得系统能够逐步完善其理解，最终得出更全面准确的答案！
开发者 Emm Tee 用 GPT-6 Astra 加 Blender 做出完整可玩的送报游戏 PaperRoute，并公开了逐小时、逐 token 的完整账本：39 小时追踪工时、15.6 亿 token、90 次提交。他把流程拆成八步：先写自己的 brief，只给机制不给美术方向，把游戏引擎和画面表现跑成两条独立工作流，角色概念图在 ChatGPT 做、网格走 Meshy、由 Astra 完成减面绑定，每一次改动都产出审查渲染图。他还给出了未验证的部分：手机端稳定 60fps 尚无定论。
ChatGPT Work 是 OpenAI 推出的自主智能体操作系统，具备全网访问、持久化文件系统及无头浏览器等核心能力。其内置 223 个工具与 44 项技能，支持代码运行、网站部署及自然语言定时任务，实现从指令到可交付成果的闭环。实测显示其能自主完成路线规划、数据抓取等复杂工作流。但系统存在间接提示词注入风险及多代理文件冲突问题，使用时需注意安全边界与版本管理。
OpenAI 发布 GPT-Image-2.5，核心突破在于实现无漂移局部精修。API 端拆分为 Flare 与 Sunburst 双模型：Flare 主打低延迟与高吞吐，适合批量出图；Sunburst 专注高精度多轮编辑，保障品牌物料一致性。前端新增草图模式、模板系统及图上评论功能，提升创作效率。该模型解决了 AI 改图画面漂移痛点，已在多个平台落地应用，但在超长对话多层修改场景下仍存在回溯局限。
围绕《智能体 RAG：大语言模型应用的新模式》展开交流，未登录用户可浏览评论，登录后可参与讨论。
