Agentic RAG

A Geração Aumentada por Recuperação Agêntica (Agentic RAG) é uma arquitetura avançada de inteligência artificial (AI) que melhora os sistemas de recuperação tradicionais ao integrar agentes de IA autónomos. Enquanto os pipelines RAG padrão funcionam numa sequência linear de "recuperar e gerar", o RAG agêntico permite que um Modelo de Linguagem de Grande Escala (LLM) atue como um orquestrador inteligente. Este agente pode analisar autonomamente o prompt de um utilizador, determinar se são necessárias informações externas, formular várias consultas de pesquisa, avaliar os dados recuperados e aperfeiçoar iterativamente a sua pesquisa até compilar uma resposta abrangente e precisa. Ao tirar partido das capacidades de chamada de funções e utilização de ferramentas, estes sistemas encaminham consultas dinamicamente entre várias bases de dados, APIs e ferramentas analíticas, reduzindo significativamente as alucinações em LLMs ao lidar com problemas complexos de várias etapas.

Como funcionam os sistemas de RAG agêntico#

A principal inovação do RAG agêntico reside na sua capacidade de repetir ciclos e raciocinar. Os principais frameworks de IA agêntica estruturam este processo em fluxos de trabalho dinâmicos e autónomos:

• Planeamento e encaminhamento de consultas: o agente decompõe perguntas complexas em subtarefas menores e geríveis e encaminha cada uma para a ferramenta mais adequada ou para uma base de dados vetorial.
• Recuperação iterativa: ao contrário da recuperação estática, o agente analisa os documentos obtidos. Se o contexto for insuficiente, reformula a sua estratégia de pesquisa e faz uma nova consulta.
• Integração de ferramentas: o agente pode escrever e executar código, efetuar cálculos ou acionar modelos de aprendizagem automática (ML) para sintetizar novos dados em tempo real.

RAG agêntico vs. RAG padrão#

Para implementar pipelines generativos robustos, é essencial distinguir o RAG agêntico dos seus conceitos fundamentais:

• Geração Aumentada por Recuperação padrão (RAG): funciona numa única passagem. Obtém documentos com base na semelhança semântica e gera uma resposta. Tem dificuldades com lógicas complexas que exigem a síntese de fontes de dados distintas ao longo de várias etapas.
• RAG agêntico: introduz tomada de decisões e ciclos. O agente avalia a qualidade da recuperação e pode acionar pesquisas subsequentes ou ferramentas diferentes antes de finalizar a geração.
• RAG multimodal: concentra-se na recuperação de diversos tipos de dados (imagens, texto, vídeo). O RAG agêntico pode controlar um pipeline de RAG multimodal, decidindo quando pesquisar numa base de dados visual em vez de num documento de texto.

Aplicações no mundo real#

O RAG agêntico está a transformar setores ao automatizar tarefas de investigação aprofundada e resolução de problemas complexos que imitam o raciocínio analítico humano.

• Síntese de conhecimento empresarial: em ambientes empresariais, um agente pode receber um prompt para "resumir o nosso desempenho no T3 e compará-lo com os resultados mais recentes do nosso principal concorrente". O agente consulta autonomamente bases de dados financeiras internas, realiza pesquisas na Web em tempo real sobre os documentos regulamentares do concorrente, analisa os números utilizando uma ferramenta de cálculo e redige um relatório abrangente.
• Inspeção de qualidade autónoma: na indústria transformadora, um agente pode ter a tarefa de identificar a causa principal de uma falha de montagem. Pode acionar um modelo de visão computacional (CV) para inspecionar uma transmissão de câmara em direto, consultar registos históricos de manutenção e sintetizar um relatório de diagnóstico com base em evidências visuais e textuais.

Integração de IA de visão em fluxos de trabalho agênticos#

Os modelos de visão funcionam como ferramentas sensoriais poderosas para sistemas de RAG agêntico que interagem com o mundo físico. Por exemplo, um agente pode utilizar o Ultralytics YOLO26 para recuperar dinamicamente contexto visual de uma imagem ou transmissão de vídeo e responder às consultas dos utilizadores. Os programadores podem gerir a anotação de dados e o treino destas ferramentas de visão personalizadas através da Ultralytics Platform.

O exemplo seguinte em Python demonstra como um agente de IA pode invocar programaticamente o Ultralytics YOLO26 para extrair observações estruturadas de uma imagem, reunindo contexto factual para a sua próxima etapa de raciocínio.

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)}.")

Ao ligar modelos de visão altamente capazes a motores de raciocínio, o RAG agêntico estabelece uma ponte entre a recuperação de conhecimento estático e a inteligência espacial dinâmica do mundo real. Para uma análise mais aprofundada do panorama em evolução dos sistemas autónomos, o Stanford AI Index Report fornece um acompanhamento abrangente das capacidades agênticas.