Агентный RAG

Agentic Retrieval-Augmented Generation (Agentic RAG) — это передовая архитектура искусственного интеллекта (ИИ) , которая улучшает традиционные системы поиска за счет интеграции автономных ИИ-агентов. В то время как стандартные конвейеры RAG работают в линейной последовательности «поиск-генерация», Agentic RAG позволяет большой языковой модели (LLM) действовать в качестве интеллектуального координатора. Этот агент может независимо анализировать запрос пользователя, определять, нужна ли внешняя информация , формулировать несколько поисковых запросов, оценивать найденные данные и итеративно уточнять свои исследования, пока не составит исчерпывающий и точный ответ. Используя возможности вызова функций и использования инструментов, эти системы динамически направляют запросы по различным базам данных, API и аналитическим инструментам, значительно сокращая галлюцинации в LLM при решении сложных многоэтапных задач.

Как работают агентские системы RAG

Основная инновация Agentic RAG заключается в его способности к циклическому повторению и рассуждению. Ведущие агентные ИИ-фреймворки структурируют этот процесс в динамичные, автономные рабочие процессы:

• Планирование и маршрутизация запросов: агент деконструирует сложные вопросы на более мелкие, управляемые подзадачи и направляет каждую из них в наиболее подходящий инструмент или векторную базу данных
• Итеративный поиск: в отличие от статического поиска агент просматривает полученные документы. Если контекста недостаточно, он переформулирует свою стратегию поиска и повторно выполняет запрос
• Интеграция инструментов: агент может писать и выполнять код, выполнять математические операции или запускать модели машинного обучения (ML) для синтеза новых данных на лету.

Агентный RAG против стандартного RAG

Для реализации надежных генеративных конвейеров крайне важно отличать агентский RAG от его основополагающих концепций:

• Стандартное поколение с расширенным поиском (RAG): работает за один проход. Оно извлекает документы на основе семантического сходства и генерирует ответ. Оно испытывает трудности со сложной логикой, которая требует синтеза разнородных источников данных за несколько шагов
• Агентное RAG: Вводит принятие решений и циклы. Агент оценивает качество поиска и может запускать последующие поиски или различные инструменты перед завершением генерации.
• Мультимодальный RAG: ориентирован на поиск различных типов данных (изображения, текст, видео). Агентный RAG может управлять мультимодальным RAG , решая, когда искать в визуальной базе данных, а когда — в текстовом документе.

Применение в реальном мире

Agentic RAG трансформирует отрасли, автоматизируя глубокие исследования и сложные задачи по устранению неполадок, которые имитируют человеческое аналитическое мышление.

• Синтез корпоративных знаний: В корпоративной среде агент может получить запрос «подвести итоги нашей деятельности за третий квартал и сравнить их с последними доходами нашего главного конкурента». Агент самостоятельно запрашивает внутренние финансовые базы данных, выполняет поиск в Интернете в режиме реального времени по документам конкурентов, анализирует цифры с помощью калькулятора и составляет подробный отчет.
• Автономный контроль качества: В производстве агент может быть поручено выявление первопричины отказа сборки. Он может запустить модель компьютерного зрения (CV) для проверки потока с камеры в реальном времени, запросить исторические журналы обслуживания и синтезировать диагностический отчет на основе визуальных и текстовых данных.

Интеграция Vision AI в агентские рабочие процессы

Модели зрительного восприятия служат мощными сенсорными инструментами для систем Agentic RAG, взаимодействующих с физическим миром. Например , агент может использовать Ultralytics для динамического извлечения визуального контекста из изображения или видеопотока, чтобы ответить на запросы пользователей. Разработчики могут управлять аннотацией данных и обучением этих настраиваемых инструментов зрительного восприятия с помощью Ultralytics .

Следующий Python демонстрирует, как агент искусственного интеллекта может программно вызвать YOLO26 для извлечения структурированных наблюдений из изображения, собирая фактический контекст для следующего шага рассуждения.

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)}.")

Соединяя высокопроизводительные модели машинного зрения с механизмами логического вывода, Agentic RAG устраняет разрыв между статическим поиском знаний и динамической, реальной пространственной интеллектуальной обработкой. Для более глубокого изучения развивающейся сферы автономных систем, отчет Stanford AI Index Report предоставляет всесторонний обзор возможностей агентов .