Agentic RAG

A Geração Aumentada por Recuperação Agêntica (RAG Agêntico) é uma arquitetura avançada de inteligência artificial (IA) que aprimora os sistemas de recuperação tradicionais através da integração de agentes de IA autônomos. Enquanto os pipelines de RAG padrão operam em uma sequência linear de "recuperar-e-gerar", o RAG Agêntico capacita um Large Language Model (LLM) a atuar como um orquestrador inteligente. Este agente pode analisar independentemente o prompt do usuário, determinar se informações externas são necessárias, formular múltiplas consultas de pesquisa, avaliar os dados recuperados e refinar iterativamente sua pesquisa até compilar uma resposta abrangente e precisa. Ao aproveitar recursos de chamada de função e uso de ferramentas, esses sistemas roteiam consultas dinamicamente através de vários bancos de dados, APIs e ferramentas analíticas, reduzindo significativamente alucinações em LLMs ao lidar com problemas complexos de múltiplas etapas.

Link to this sectionComo Funcionam os Sistemas de RAG Agêntico#

A principal inovação do RAG Agêntico reside na sua capacidade de criar loops e raciocinar. As principais estruturas de IA agêntica estruturam esse processo em fluxos de trabalho dinâmicos e autônomos:

• Planejamento e Roteamento de Consultas: O agente decompõe perguntas complexas em sub-tarefas menores e gerenciáveis, roteando cada uma para a ferramenta ou banco de dados vetorial mais apropriado.
• Recuperação Iterativa: Ao contrário da recuperação estática, o agente revisa os documentos obtidos. Se o contexto for insuficiente, ele reformula sua estratégia de busca e consulta novamente.
• Integração de Ferramentas: O agente pode escrever e executar código, realizar cálculos matemáticos ou acionar modelos de aprendizado de máquina (ML) para sintetizar novos dados em tempo real.

Link to this sectionRAG Agêntico vs. RAG Padrão#

Para implementar pipelines generativos robustos, é crucial diferenciar o RAG Agêntico dos seus conceitos fundamentais:

• Geração Aumentada por Recuperação (RAG) Padrão: Opera em uma única passagem. Ele busca documentos com base na similaridade semântica e gera uma resposta. Ele enfrenta dificuldades com lógicas complexas que exigem a síntese de fontes de dados distintas ao longo de múltiplas etapas.
• RAG Agêntico: Introduz a tomada de decisão e loops. O agente avalia a qualidade da recuperação e pode acionar buscas subsequentes ou diferentes ferramentas antes de finalizar sua geração.
• RAG Multimodal: Foca na recuperação de diversos tipos de dados (imagens, texto, vídeo). O RAG Agêntico pode controlar um pipeline de RAG Multimodal, decidindo quando pesquisar um banco de dados visual versus um documento de texto.

Link to this sectionAplicações no Mundo Real#

O RAG Agêntico está transformando indústrias ao automatizar pesquisas profundas e tarefas complexas de solução de problemas que imitam o raciocínio analítico humano.

• Síntese de Conhecimento Empresarial: Em ambientes corporativos, um agente pode receber um prompt para "resumir nosso desempenho do terceiro trimestre e compará-lo com os lucros mais recentes do nosso principal concorrente". O agente consulta autonomamente bancos de dados financeiros internos, realiza pesquisas na web em tempo real sobre os registros dos concorrentes, analisa os números usando uma ferramenta de cálculo e redige um resumo abrangente.
• Inspeção de Qualidade Autônoma: Na fabricação, um agente pode ser encarregado de identificar a causa raiz de uma falha na montagem. Ele pode acionar um modelo de visão computacional (CV) para inspecionar um feed de câmera ao vivo, consultar registros históricos de manutenção e sintetizar um relatório de diagnóstico baseado em evidências visuais e textuais.

Link to this sectionIntegrando IA de Visão em Fluxos de Trabalho Agênticos#

Modelos de visão servem como poderosas ferramentas sensoriais para sistemas de RAG Agêntico que interagem com o mundo físico. Por exemplo, um agente pode usar o Ultralytics YOLO26 para recuperar dinamicamente contexto visual de uma imagem ou stream de vídeo para responder às consultas dos usuários. Desenvolvedores podem gerenciar a anotação de dados e o treinamento dessas ferramentas de visão personalizadas usando a Plataforma Ultralytics.

O exemplo de Python a seguir demonstra como um agente de IA pode invocar programaticamente o YOLO26 para extrair observações estruturadas de uma imagem, reunindo contexto factual para seu próximo passo 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 conectar modelos de visão altamente capazes a mecanismos de raciocínio, o RAG Agêntico preenche a lacuna entre a recuperação estática de conhecimento e a inteligência espacial dinâmica e do mundo real. Para um olhar mais aprofundado sobre o cenário em evolução dos sistemas autônomos, o Relatório do Índice de IA de Stanford fornece um acompanhamento abrangente das capacidades agênticas.