自动化漏洞修复是缓解软件安全问题的重要方向。现有方法多局限于内存漏洞、单一编程语言或依赖专有大语言模型（LLM），且泛化能力不足。本文提出RAVEN框架，基于智能体检索增强生成（Agentic RAG）和可控迭代修复，实现可扩展、高效、自主的漏洞修复。RAVEN完全利用开源LLM，可在本地部署，仅需有限GPU资源；其多面检索管道能获取历史相关漏洞修复信息以指导补丁生成。此外，RAVEN引入专门的Curator Agent，从目标仓库检索跨文件依赖，从而修复无法仅靠局部漏洞代码解决的复杂漏洞。在160个真实CVE漏洞上的实验涵盖了多种漏洞类型、两种编程语言、未见CWE类别以及分布外设置。RAVEN总体修复成功率达到83.13%，超越现有最先进框架，并展现出强泛化能力，同时修复成本可忽略不计。该研究为自动化漏洞修复提供了新的高效方案，尤其适合希望内部部署、不依赖外部API的安全团队。