Agentisches RAG

Agentic Retrieval-Augmented Generation (Agentic RAG) ist eine fortschrittliche Künstliche Intelligenz (KI) Architektur, die traditionelle Abrufsysteme durch die Integration autonomer KI-Agenten verbessert. Während Standard-RAG-Pipelines in einer linearen „Abruf-und-Generierung”-Sequenz arbeiten, ermöglicht Agentic RAG einem Large Language Model (LLM) als intelligenter Orchestrator zu agieren. Dieser Agent kann die Eingabe eines Benutzers unabhängig analysieren, feststellen, ob externe Informationen benötigt werden, mehrere Suchanfragen formulieren, die abgerufenen Daten auswerten und seine Recherche iterativ verfeinern, bis er eine umfassende und genaue Antwort zusammengestellt hat. Durch die Nutzung von Funktionsaufruf- und Tool-Nutzungsfunktionen leiten diese Systeme Anfragen dynamisch an verschiedene Datenbanken, APIs und Analysetools weiter, wodurch Halluzinationen in LLMs bei der Bearbeitung komplexer, mehrstufiger Probleme erheblich reduziert werden.

Wie agentische RAG-Systeme funktionieren

Die zentrale Innovation von Agentic RAG liegt in seiner Fähigkeit zum Schleifen und Schlussfolgern. Führende agente KI-Frameworks strukturieren diesen Prozess in dynamische, autonome Arbeitsabläufe:

• Abfrageplanung und -weiterleitung: Der Agent zerlegt komplexe Fragen in kleinere, überschaubare Teilaufgaben und leitet jede einzelne an das am besten geeignete Tool oder die am besten geeignete Vektordatenbank weiter.
• Iterative Abfrage: Im Gegensatz zur statischen Suche überprüft der Agent die abgerufenen Dokumente. Wenn der Kontext unzureichend ist, formuliert er seine Suchstrategie neu und fragt erneut ab.
• Tool-Integration: Der Agent kann Code schreiben und ausführen, mathematische Berechnungen durchführen oder Machine-Learning-Modelle (ML) auslösen, um auf der Stelle neue Daten zu synthetisieren.

Agentisches RAG vs. Standard-RAG

Um robuste generative Pipelines zu implementieren, ist es entscheidend, Agentic RAG von seinen grundlegenden Konzepten zu unterscheiden:

• Standard-RAG (Retrieval-Augmented Generation): Arbeitet in einem einzigen Durchgang. Es ruft Dokumente auf der Grundlage semantischer Ähnlichkeit ab und generiert eine Antwort. Es hat Schwierigkeiten mit komplexer Logik, die die Synthese unterschiedlicher Datenquellen in mehreren Schritten erfordert.
• Agentisches RAG: Führt Entscheidungsfindung und Schleifen ein. Der Agent bewertet die Qualität des Abrufs und kann nachfolgende Suchen oder verschiedene Tools auslösen, bevor er seine Generierung abschließt.
• Multimodales RAG: Konzentriert sich auf das Abrufen verschiedener Datentypen (Bilder, Text, Video). Agentic RAG kann eine Multimodale RAG-Pipeline steuern und entscheiden, wann eine visuelle Datenbank und wann ein Textdokument durchsucht werden soll.

Anwendungsfälle in der Praxis

Agentic RAG verändert Branchen, indem es tiefgreifende Forschungs- und komplexe Fehlerbehebungsaufgaben automatisiert, die das menschliche analytische Denken nachahmen.

• Synthese von Unternehmenswissen: In Unternehmensumgebungen könnte ein Agent die Aufforderung erhalten, „unsere Leistung im dritten Quartal zusammenzufassen und mit den jüngsten Gewinnen unseres Hauptkonkurrenten zu vergleichen”. Der Agent fragt autonom interne Finanzdatenbanken ab, führt Echtzeit-Websuchen nach Unterlagen von Wettbewerbern durch, analysiert die Zahlen mit einem Rechner und erstellt einen umfassenden Bericht.
• Autonome Qualitätsprüfung: In der Fertigung kann ein Agent damit beauftragt werden, die Ursache eines Montagefehlers zu identifizieren. Er kann ein Computer-Vision-Modell (CV) auslösen, um ein Live- Kamerabild zu überprüfen, historische Wartungsprotokolle abzufragen und einen Diagnosebericht auf der Grundlage visueller und textlicher Beweise zu erstellen.

Integration von Vision AI in agentische Arbeitsabläufe

Vision-Modelle dienen als leistungsstarke sensorische Werkzeuge für Agentic RAG-Systeme, die mit der physischen Welt interagieren. Beispielsweise kann ein Agent Ultralytics verwenden, um dynamisch visuellen Kontext aus einem Bild- oder Videostream abzurufen und so Benutzeranfragen zu beantworten. Entwickler können die Datenannotation und das Training dieser benutzerdefinierten Vision-Tools mithilfe Ultralytics verwalten.

Das folgende Python zeigt, wie ein KI-Agent YOLO26 programmgesteuert aufrufen könnte, um strukturierte Beobachtungen aus einem Bild zu extrahieren und so den faktischen Kontext für seinen nächsten Schlussfolgerungsschritt zu sammeln.

from ultralytics import YOLO

# Initialize YOLO26 for the agent's visual retrieval tool
model = YOLO("yolo26n.pt")

# The agent invokes the model on an image to gather visual facts
results = model("https://ultralytics.com/images/bus.jpg")

# The agent parses the detected objects to formulate its next query or action
visual_context = [model.names[int(c)] for c in results[0].boxes.cls]
print(f"Agent Observation: I currently see {', '.join(visual_context)}.")

Durch die Verbindung hochleistungsfähiger Bildverarbeitungsmodelle mit Schlussfolgerungsmaschinen schließt Agentic RAG die Lücke zwischen statischer Wissensgewinnung und dynamischer, realer räumlicher Intelligenz. Für einen tieferen Einblick in die sich entwickelnde Landschaft autonomer Systeme bietet der Stanford AI Index Report eine umfassende Nachverfolgung der agentenbasierten Fähigkeiten.