Agentic RAG

La génération agentique augmentée par récupération (Agentic RAG) est une architecture avancée d'intelligence artificielle (AI) qui améliore les systèmes de récupération traditionnels en y intégrant des agents d'AI autonomes. Alors que les pipelines RAG standard fonctionnent selon une séquence linéaire « récupération puis génération », le RAG agentique permet à un grand modèle de langage (LLM) d'agir comme un orchestrateur intelligent. Cet agent peut analyser de manière autonome le prompt d'un utilisateur, déterminer si des informations externes sont nécessaires, formuler plusieurs requêtes de recherche, évaluer les données récupérées et affiner sa recherche de manière itérative jusqu'à compiler une réponse complète et précise. En exploitant les capacités d'appel de fonctions et d'utilisation d'outils, ces systèmes acheminent dynamiquement les requêtes vers diverses bases de données, API et outils analytiques, réduisant considérablement les hallucinations des LLM lorsqu'ils traitent des problèmes complexes en plusieurs étapes.

Fonctionnement des systèmes RAG agentiques#

L'innovation fondamentale du RAG agentique réside dans sa capacité à boucler et à raisonner. Les principaux frameworks d'AI agentique structurent ce processus en workflows dynamiques et autonomes :

• Planification et routage des requêtes : l'agent décompose les questions complexes en sous-tâches plus petites et gérables, puis achemine chacune vers l'outil ou la base de données vectorielle le plus approprié.
• Récupération itérative : contrairement à la récupération statique, l'agent examine les documents récupérés. Si le contexte est insuffisant, il reformule sa stratégie de recherche et effectue une nouvelle requête.
• Intégration des outils : l'agent peut écrire et exécuter du code, effectuer des calculs ou déclencher des modèles d'apprentissage automatique (ML) afin de synthétiser de nouvelles données à la volée.

RAG agentique ou RAG standard#

Pour mettre en œuvre des pipelines génératifs robustes, il est essentiel de distinguer le RAG agentique de ses concepts fondamentaux :

• Génération augmentée par récupération standard (RAG) : fonctionne en un seul passage. Elle récupère les documents en fonction de leur similarité sémantique, puis génère une réponse. Elle rencontre des difficultés avec les raisonnements complexes qui nécessitent de synthétiser des sources de données disparates en plusieurs étapes.
• RAG agentique : introduit la prise de décision et les boucles. L'agent évalue la qualité de la récupération et peut déclencher des recherches supplémentaires ou utiliser d'autres outils avant de finaliser sa génération.
• RAG multimodal : se concentre sur la récupération de divers types de données (images, texte, vidéo). Le RAG agentique peut contrôler un pipeline de RAG multimodal en décidant quand effectuer une recherche dans une base de données visuelle plutôt que dans un document textuel.

Applications concrètes#

Le RAG agentique transforme les secteurs d'activité en automatisant les recherches approfondies et les tâches complexes de dépannage qui reproduisent le raisonnement analytique humain.

• Synthèse des connaissances d'entreprise : dans les environnements professionnels, un agent peut recevoir le prompt suivant : « résume les résultats de notre troisième trimestre et compare-les à ceux publiés récemment par notre principal concurrent ». L'agent interroge de manière autonome les bases de données financières internes, effectue des recherches web en temps réel sur les documents réglementaires du concurrent, analyse les chiffres à l'aide d'un outil de calcul et rédige une note de synthèse complète.
• Inspection qualité autonome : dans l'industrie manufacturière, un agent peut être chargé d'identifier la cause racine d'une défaillance d'assemblage. Il peut déclencher un modèle de vision par ordinateur (CV) pour inspecter un flux vidéo provenant d'une caméra en direct, interroger les historiques de maintenance et synthétiser un rapport de diagnostic fondé sur des éléments visuels et textuels.

Intégration de l'AI de vision dans les workflows agentiques#

Les modèles de vision constituent de puissants outils sensoriels pour les systèmes de RAG agentique qui interagissent avec le monde physique. Par exemple, un agent peut utiliser Ultralytics YOLO26 pour récupérer dynamiquement le contexte visuel d'une image ou d'un flux vidéo afin de répondre aux requêtes des utilisateurs. Les développeurs peuvent gérer l'annotation et l'entraînement des données de ces outils de vision personnalisés à l'aide de la Ultralytics Platform.

L'exemple Python suivant montre comment un agent d'AI peut appeler Ultralytics YOLO26 par programmation afin d'extraire des observations structurées d'une image et de recueillir le contexte factuel nécessaire à son étape de raisonnement suivante.

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)}.")

En connectant des modèles de vision très performants à des moteurs de raisonnement, le RAG agentique comble le fossé entre la récupération statique des connaissances et l'intelligence spatiale dynamique du monde réel. Pour approfondir l'évolution des systèmes autonomes, le Stanford AI Index Report propose un suivi complet des capacités agentiques.