Agentic RAG

Agentic RAG — это архитектура генерации с дополненной выборкой (Retrieval-Augmented Generation), в которой языковая модель не просто получает набор документов по одному запросу, а самостоятельно управляет процессом поиска: формулирует подзапросы, выбирает источники, оценивает релевантность найденного, при необходимости повторяет поиск и только затем формирует финальный ответ. В классическом RAG цепочка «запрос → поиск → генерация» линейна и одноразова, тогда как в Agentic RAG модель выступает как агент с набором инструментов (поиск по базе, веб-поиск, вызов API, калькулятор) и планирует, какие из них и в каком порядке задействовать.

Как это работает на практике

• Планирование: агент разбивает сложный вопрос («сравни условия трёх тарифов и посчитай годовую выгоду») на подзадачи и решает, что нужно найти в базе, а что — во внешних источниках.
• Итеративный поиск: если первый запрос дал слабые результаты, агент переформулирует его, сужает или расширяет фильтры и запускает повторную выборку.
• Самопроверка: найденные фрагменты оцениваются на релевантность и непротиворечивость; нерелевантные отбрасываются до генерации, что снижает число галлюцинаций.
• Синтез: только после сбора достаточного контекста модель формирует ответ и при необходимости указывает, из каких источников взяты данные.

Чем отличается от классического RAG

• Число шагов: базовый RAG делает один проход поиска, агентный — от двух до десятков итераций в зависимости от сложности вопроса.
• Управление: в обычном RAG логику поиска задаёт разработчик, в агентном — решения принимает сама модель через вызов инструментов.
• Стоимость и задержка: агентный подход расходует больше токенов и времени на запрос, поэтому его применяют там, где важна точность, а не мгновенный ответ.
• Устойчивость к «грязным» данным: агент способен отбросить устаревшие или противоречивые документы, тогда как линейная схема часто передаёт их в ответ как есть.

Где применяется

• Корпоративные базы знаний: сотрудник задаёт вопрос по регламентам, агент сам находит нужные разделы в разных системах и сводит их в один ответ.
• Поддержка клиентов: агент проверяет статус заказа через API, сверяется с базой возвратов и формирует персонализированный ответ.
• Аналитика и исследования: сбор данных из нескольких источников с промежуточной проверкой фактов перед выводами.

Для внедрения такой архитектуры важна качественная подготовка данных и инфраструктуры поиска — здесь помогает оптимизация сайта и грамотно собранная семантика. Понять базовые строительные блоки помогут материалы про RAG, RAG Pipeline и Agentic AI, а также про Graph RAG — родственный подход, где поиск идёт по графу связей между сущностями.