Agentic RAG

La generazione potenziata dal recupero agentico (Agentic RAG) è un'architettura avanzata di intelligenza artificiale (AI) che migliora i sistemi di recupero tradizionali integrando agenti di AI autonomi. Mentre le pipeline RAG standard operano secondo una sequenza lineare di "recupero e generazione", il RAG agentico consente a un modello linguistico di grandi dimensioni (LLM) di agire come orchestratore intelligente. Questo agente può analizzare autonomamente il prompt di un utente, determinare se sono necessarie informazioni esterne, formulare più query di ricerca, valutare i dati recuperati e perfezionare iterativamente la propria ricerca finché non raccoglie una risposta completa e accurata. Sfruttando le capacità di chiamata di funzioni e utilizzo di strumenti, questi sistemi instradano dinamicamente le query tra vari database, API e strumenti analitici, riducendo significativamente le allucinazioni negli LLM nella gestione di problemi complessi e articolati in più passaggi.

Come funzionano i sistemi RAG agentici#

L'innovazione principale del RAG agentico risiede nella sua capacità di ripetere il ciclo e ragionare. I principali framework di AI agentica strutturano questo processo in flussi di lavoro dinamici e autonomi:

• Pianificazione e instradamento delle query: l'agente scompone le domande complesse in attività secondarie più piccole e gestibili e instrada ciascuna verso lo strumento o il database vettoriale più appropriato.
• Recupero iterativo: a differenza del recupero statico, l'agente esamina i documenti recuperati. Se il contesto è insufficiente, riformula la strategia di ricerca ed esegue nuovamente la query.
• Integrazione degli strumenti: l'agente può scrivere ed eseguire codice, svolgere calcoli o attivare modelli di apprendimento automatico (ML) per sintetizzare nuovi dati al volo.

RAG agentico vs. RAG standard#

Per implementare pipeline generative robuste, è fondamentale distinguere il RAG agentico dai concetti su cui si basa:

• Generazione standard potenziata dal recupero (RAG): opera in un'unica fase. Recupera i documenti in base alla similarità semantica e genera una risposta. Ha difficoltà con la logica complessa che richiede di sintetizzare fonti di dati disparate in più passaggi.
• RAG agentico: introduce processi decisionali e cicli. L'agente valuta la qualità del recupero e può attivare ricerche successive o strumenti diversi prima di finalizzare la generazione.
• RAG multimodale: si concentra sul recupero di diversi tipi di dati (immagini, testo, video). Il RAG agentico può controllare una pipeline RAG multimodale, decidendo quando cercare in un database visivo anziché in un documento di testo.

Applicazioni nel mondo reale#

Il RAG agentico sta trasformando i settori automatizzando attività di ricerca approfondita e risoluzione di problemi complessi che imitano il ragionamento analitico umano.

• Sintesi della conoscenza aziendale: negli ambienti aziendali, un agente potrebbe ricevere un prompt come "riassumi le nostre prestazioni del terzo trimestre e confrontale con i risultati più recenti del nostro principale concorrente". L'agente interroga autonomamente i database finanziari interni, esegue ricerche web in tempo reale sui documenti depositati dal concorrente, analizza i numeri usando uno strumento calcolatrice e redige un report completo.
• Ispezione qualitativa autonoma: nel settore manifatturiero, a un agente può essere affidato il compito di identificare la causa principale di un guasto nell'assemblaggio. Può attivare un modello di visione artificiale (CV) per esaminare il flusso video di una telecamera in tempo reale, interrogare i registri storici di manutenzione e sintetizzare un rapporto diagnostico basato su evidenze visive e testuali.

Integrazione della Vision AI nei flussi di lavoro agentici#

I modelli di visione fungono da potenti strumenti sensoriali per i sistemi RAG agentici che interagiscono con il mondo fisico. Ad esempio, un agente può utilizzare Ultralytics YOLO26 per recuperare dinamicamente il contesto visivo da un'immagine o da un flusso video e rispondere alle query degli utenti. Gli sviluppatori possono gestire l'annotazione dei dati e l'addestramento di questi strumenti di visione personalizzati usando la Ultralytics Platform.

Il seguente esempio in Python mostra come un agente di AI potrebbe invocare programmaticamente Ultralytics YOLO26 per estrarre osservazioni strutturate da un'immagine, raccogliendo il contesto fattuale per il passaggio successivo del suo ragionamento.

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)}.")

Collegando modelli di visione altamente capaci a motori di ragionamento, il RAG agentico colma il divario tra il recupero statico della conoscenza e l'intelligenza spaziale dinamica del mondo reale. Per uno sguardo più approfondito al panorama in evoluzione dei sistemi autonomi, lo Stanford AI Index Report offre un monitoraggio completo delle capacità agentiche.