Agentic RAG: Agentic Retrieval-Augmented Generation
Agentic RAG (ang. Agentic Retrieval-Augmented Generation) to zaawansowana ewolucja klasycznej technologii RAG, która wprowadza do procesu wyszukiwania danych autonomiczne agenty AI.
Podczas gdy tradycyjny RAG działa pasywnie (znajdź dane → przekaż do modelu), Agentic RAG potrafi samodzielnie planować kroki, krytycznie oceniać znalezione informacje i korzystać z zewnętrznych narzędzi, aby dostarczyć precyzyjną odpowiedź.
Kluczowe cechy Agentic RAG:
- Autonomiczne planowanie: Zamiast prostego wyszukania, system analizuje zapytanie i decyduje, jakie kroki podjąć, np. czy przeszukać bazę PDF, czy zapytać SQL lub skorzystać z Internetu.
- Iteracyjność i samokorekta: Jeśli pierwsze wyniki są niewystarczające lub błędne, agent potrafi poprawić zapytanie i spróbować ponownie, aż osiągnie satysfakcjonujący rezultat.
- Korzystanie z narzędzi (Tool Use): Agenty mogą używać kalkulatorów, wywoływać API systemów CRM/ERP czy przeszukiwać różne bazy danych w jednej sesji.
- Wielostopniowe rozumowanie: Idealne do pytań typu „multi-hop”, które wymagają połączenia faktów z kilku różnych źródeł (np. porównanie raportów z dwóch różnych lat).
Porównanie: Tradycyjny RAG vs. Agentic RAG
| Cecha | Tradycyjny RAG | Agentic RAG |
|---|---|---|
| Przepływ pracy | Liniowy (Pobierz → Wygeneruj) | Zapętlony (Planuj → Działaj → Sprawdź) |
| Podejście do zadania | Reaktywne (odpowiada na prompt) | Proaktywne (szuka najlepszego rozwiązania) |
| Źródła danych | Zazwyczaj jedno (np. baza wektorowa) | Wiele źródeł i narzędzi (SQL, API, Web) |
| Złożoność zapytań | Proste pytania i odpowiedzi | Złożone procesy badawcze i analityczne |
Popularne narzędzia do budowy:
Do tworzenia takich systemów najczęściej wykorzystuje się frameworki ułatwiające orkiestrację agentów, takie jak LangChain, LlamaIndex, CrewAI oraz LangGraph.
Przykład: Inteligentny asystent e-commerce
W obsłudze klienta Agentic RAG zmienia prostego bota w „myślącego” asystenta, który zamiast tylko cytować bazę wiedzy, aktywnie rozwiązuje problemy.
Wyobraź sobie klienta, który pyta: „Moje zamówienie #123 nadal nie dotarło, a w regulaminie czytałem o zwrocie kosztów za opóźnienie. Co mam zrobić?”.
Tradycyjny RAG wyszukałby tylko fragment regulaminu o zwrotach. Agentic RAG wykona natomiast następującą sekwencję kroków:
- Analiza i Planowanie: Agent rozpoznaje dwa cele: sprawdzenie statusu przesyłki oraz weryfikację zasad zwrotu.
- Użycie Narzędzi (Tool Use):
- Łączy się z API kuriera, aby sprawdzić realną lokalizację paczki.
- Przeszukuje bazę CRM, by sprawdzić historię klienta i datę złożenia zamówienia.
- Przeszukuje bazę dokumentów (RAG), by znaleźć konkretny punkt regulaminu dotyczący tego typu opóźnienia.
- Wnioskowanie i Samokorekta: Jeśli system wykryje, że paczka utknęła w sortowni, a regulamin przewiduje zwrot po 5 dniach zwłoki, agent oblicza czas opóźnienia. Jeśli dane są niejasne, może zadać pytanie pomocnicze lub spróbować innego źródła danych.
- Podjęcie Działania: Agent nie tylko odpowiada, ale może zaproponować konkretne rozwiązanie (np. „Przysługuje Ci 10% zwrotu. Czy chcesz, abym wygenerował zgłoszenie?”) lub samodzielnie zaktualizować status zgłoszenia w systemie.
Główne korzyści w tym wdrożeniu:
- Mniej halucynacji: Agent weryfikuje fakty z kilku źródeł, zanim odpowie.
- Kompleksowość: Obsługuje proces od A do Z, zamiast odsyłać klienta do regulaminu.
- Personalizacja: Odpowiedź bazuje na realnym statusie konkretnego zamówienia, a nie ogólnych szablonach.
Firmy wykorzystują np. platformę Salesforce Agentforce, aby dzięki Agentic RAG automatycznie rozwiązywać nawet 66% zapytań zewnętrznych, czerpiąc wiedzę z instrukcji obsługi, CRM i polityk firmy jednocześnie.
Skontaktuj się: kontakt@integratorai.pl
Odwiedź: GEOmancja.pl | IntegratorAI.pl
