Agentic RAG

Ajan Tabanlı Geri Getirimle Zenginleştirilmiş Üretim (Agentic RAG), gelişmiş bir yapay zekâ (AI) mimarisidir ve otonom AI ajanlarını geleneksel bilgi getirme sistemlerine entegre ederek bu sistemleri geliştirir. Standart RAG işlem hatları doğrusal bir “geri getir ve üret” sırasıyla çalışırken Agentic RAG, bir Büyük Dil Modeli (LLM)'nin akıllı bir orkestratör olarak görev yapmasını sağlar. Bu ajan, kullanıcının istemini bağımsız olarak analiz edebilir, harici bilgiye ihtiyaç olup olmadığını belirleyebilir, birden fazla arama sorgusu oluşturabilir, elde edilen verileri değerlendirebilir ve kapsamlı, doğru bir yanıt oluşturana kadar araştırmasını yinelemeli olarak iyileştirebilir. Bu sistemler, işlev çağırma ve araç kullanma yeteneklerinden yararlanarak sorguları çeşitli veritabanları, API'ler ve analitik araçlar arasında dinamik olarak yönlendirir ve karmaşık, çok adımlı sorunları ele alırken LLM'lerdeki halüsinasyonları önemli ölçüde azaltır.

Agentic RAG Sistemleri Nasıl Çalışır#

Agentic RAG'nin temel yeniliği, döngü kurup akıl yürütebilmesidir. Önde gelen aracı tabanlı yapay zekâ çerçeveleri bu süreci dinamik ve özerk iş akışları hâlinde yapılandırır:

• Sorgu Planlama ve Yönlendirme: Aracı, karmaşık soruları daha küçük ve yönetilebilir alt görevlere ayırır ve her birini en uygun araca veya vektör veritabanına yönlendirir.
• Yinelemeli Bilgi Getirme: Statik bilgi getirme yöntemlerinden farklı olarak aracı, getirilen belgeleri inceler. Bağlam yetersizse arama stratejisini yeniden düzenler ve tekrar sorgu gönderir.
• Araç Entegrasyonu: Aracı kod yazıp çalıştırabilir, matematiksel işlemler yapabilir veya anında yeni veriler sentezlemek için makine öğrenimi (ML) modellerini devreye sokabilir.

Bir araya getirildiğinde ajanın akıl yürütme döngüsü şöyle görünür:

Agentic RAG ve Standart RAG Karşılaştırması#

Sağlam üretken işlem hatları uygulamak için Agentic RAG'yi dayandığı temel kavramlardan ayırmak çok önemlidir:

• Standart Geri Getirimle Zenginleştirilmiş Üretim (RAG): Tek geçişte çalışır. Anlamsal benzerliğe göre belgeleri getirir ve bir yanıt oluşturur. Birden fazla adımda farklı veri kaynaklarından sentez gerektiren karmaşık mantık sorunlarında yetersiz kalır.
• Agentic RAG: Karar verme ve döngüleri sürece katar. Aracı, bilgi getirme kalitesini değerlendirir ve yanıtını tamamlamadan önce sonraki aramaları veya farklı araçları devreye sokabilir.
• Çok Modlu RAG: Farklı veri türlerinin (görüntü, metin, video) getirilmesine odaklanır. Agentic RAG, görsel bir veritabanında ne zaman arama yapacağına ve ne zaman metin belgesine başvuracağına karar vererek Çok Modlu RAG işlem hattını yönetebilir.

Gerçek Dünya Uygulamaları#

Agentic RAG, insanlardaki analitik akıl yürütmeyi taklit eden derin araştırma ve karmaşık sorun giderme görevlerini otomatikleştirerek sektörleri dönüştürüyor.

• Kurumsal Bilgi Sentezi: Kurumsal ortamlarda bir aracıdan “3. çeyrek performansımızı özetle ve en büyük rakibimizin son kazanç raporuyla karşılaştır” istemi alması beklenebilir. Aracı, şirket içi finans veritabanlarını özerk olarak sorgular, rakiplerin resmi bildirimleri için gerçek zamanlı web aramaları yapar, bir hesap makinesi aracıyla sayıları analiz eder ve kapsamlı bir bilgilendirme metni hazırlar.
• Otonom Kalite Denetimi: Üretimde bir aracıya montaj arızasının temel nedenini belirleme görevi verilebilir. Aracı, canlı kamera görüntüsünü incelemek için bir bilgisayarlı görü (CV) modelini devreye sokabilir, geçmiş bakım kayıtlarını sorgulayabilir ve görsel ile metinsel kanıtlara dayalı bir tanı raporu hazırlayabilir.

Görü Yapay Zekâsını Aracı Tabanlı İş Akışlarına Entegre Etme#

Görüntü modelleri, fiziksel dünyayla etkileşim kuran Ajan Tabanlı RAG sistemleri için güçlü duyusal araçlar işlevi görür. Örneğin bir ajan, kullanıcı sorgularını yanıtlamak üzere bir görüntü veya video akışından görsel bağlamı dinamik olarak almak için Ultralytics YOLO26 kullanabilir. Geliştiriciler bu özel görüntü araçlarının veri açıklama ve eğitim süreçlerini Ultralytics Platformu üzerinden yönetebilir.

Aşağıdaki Python örneği, bir yapay zekâ aracısının bir görüntüden yapılandırılmış gözlemler çıkarmak ve sonraki akıl yürütme adımı için olgusal bağlam toplamak üzere Ultralytics YOLO26'yı programatik olarak nasıl çağırabileceğini gösteriyor.

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)}.")

Yüksek yetenekli görüntü modellerini akıl yürütme motorlarına bağlayan Ajan Tabanlı RAG, statik bilgi erişimi ile gerçek dünyaya ilişkin dinamik uzamsal zekâ arasındaki boşluğu kapatır. Stanford Yapay Zekâ Endeksi Raporu kapsamında izlenen ajan kıyaslamaları, bu yeteneklerin her yıl hızla geliştiğini gösteriyor.