Agentic RAG
Ajan tabanlı RAG'de bilgi getirme sürecini bir yapay zeka ajanı yönetir: arama planlar, araçları seçer, sonuçları kontrol eder ve yanıt verebilene kadar yeniden arama yapar.
Agentic RAG, bir yapay zekâ aracısının (döngü içinde plan yapan ve araç çağıran bir büyük dil modelinin (LLM)) bilgi erişimi yapıp yapmayacağına, hangi kaynaklarda arama yapacağına ve sonuçların yanıt vermek için yeterli olup olmadığına karar verdiği bilgi erişimiyle artırılmış üretimdir (RAG). Standart RAG tek ve sabit bir geçiş yapar: Soruyu gömer, en uygun metin parçalarını getirir ve yanıt üretir. Bir aracı soruyu alt sorulara bölebilir; birini belge dizinine, diğerini SQL veritabanına veya web aramasına yönlendirebilir, sonucun konuyla ilgisiz olduğunu fark edebilir, sorguyu yeniden yazabilir ve tekrar arama yapabilir. Agentic RAG üzerine 2025 tarihli bir inceleme, bu davranışları dört aracı tasarım örüntüsünde toplar: yansıtma, planlama, araç kullanımı ve çok aracılı iş birliği.
Agentic RAG Nasıl Çalışır?#
Model, bilgi erişim araçlarına işlev çağırma aracılığıyla ulaşır. Belgelerde vektör arama, veritabanı sorgusu veya web araması gibi her araç; bir ad, parametre şeması ve açıklamayla tanımlanır. Model, bir aracı kullanmak istediğinde yapılandırılmış bir çağrı üretir. Model Bağlamı Protokolü (MCP), aracılara bu tür araçlara bağlanmak için standart bir yöntem sunar. Denetim döngüsü, akıl yürütme adımlarıyla eylemleri sırayla uygulayan ReAct örüntüsünü izler:
"Bu çeyrekte geçen çeyreğe kıyasla daha fazla gecikmiş teslimatı olan tedarikçiler hangileri ve sözleşmelerinde hangi cezalar öngörülüyor?" sorusu, döngünün neden önemli olduğunu gösterir. Tek geçişli bir bilgi erişimi, sorunun tamamını gömer ve genel olarak gecikmiş teslimatlardan söz eden sözleşme bölümlerini getirir. Bir aracı önce tedarikçi başına teslimat sayılarını almak için teslimat veritabanını sorgular, ardından sayısı artan her tedarikçi için sözleşme dizininde ayrı ayrı arama yapar ve yanıtında iki kaynağı birleştirir.
Araçlar yalnızca metinle sınırlı değildir. Yanıt, kameranın o an ne gördüğüne bağlıysa bir aracı Ultralytics YOLO26 modelini araç olarak çağırabilir: En son kare üzerinde tahmin yapıldığında tespit edilen tüm nesneler döndürülür ve results[0].summary(), bu tespitleri sınıf adı, güven değeri ve kutu koordinatlarını içeren sözlüklerden oluşan bir listeye dönüştürür; aracı da bu listeyi diğer erişilen sonuçlar gibi okur.
Agentic RAG ve İlgili Yaklaşımlar#
- Standart RAG: Sabit bir işlem hattıyla her soru için bir kez bilgi getirir; gecikme ve maliyet düşük ve öngörülebilirdir. Bir veya iki metin parçasıyla yanıtlanabilen sorular için uygundur.
- Self-RAG ve Düzeltici RAG: Self-RAG (2023), ne zaman bilgi getirileceğine karar veren ve kendi çıktısını puanlayan yansıtma belirteçleri üretmesi için bir modeli eğitir. Düzeltici RAG (2024) ise erişilen belgelerin puanı düşük olduğunda web aramasını tetikleyen bir bilgi erişim değerlendiricisi ekler. Her iki yöntem de aracı davranışının bir unsurunu, bunun dışında sabit kalan bir işlem hattına yerleştirir.
- GraphRAG: Belgelerden oluşturulmuş bir bilgi grafiğinden varlıkları, ilişkileri ve topluluk özetlerini getirir. Bir aracı, grafik sorgularını araçlarından biri olarak çağırabilir.
- Aracı iş akışları: Bir soruya bilgi bulmaya odaklanan agentic RAG'in de içinde bulunduğu, çok adımlı LLM sistemlerinden oluşan daha geniş bir aile.
- Derin araştırma aracıları: Tek bir soru için çok sayıda aramaya yayılan ve çoğunlukla birkaç aracıya dağıtılan agentic RAG. Anthropic'in çok aracılı araştırma sisteminde Claude Opus 4 lider aracısı, alt görevleri paralel Claude Sonnet 4 alt aracılarına verir ve sistem, Anthropic'in kurum içi araştırma değerlendirmesinde tek bir Opus 4 aracısından %90.2 daha iyi performans gösterir.
Gerçek Dünya Uygulamaları#
- Kurumsal araştırma asistanları: Kurum içi satış rakamlarını rakibin yayımladığı sonuçlarla karşılaştırmak gibi, veri ambarı, belge depoları ve web genelindeki verileri kapsayan soruları yanıtlar.
- Müşteri desteği: Bir aracı, yanıt vermeden önce bir sistemden siparişin durumunu kontrol eder, başka bir sistemden iade politikasını getirir ve para iadesinin geçerli olup olmadığına karar verir.
- Üretim sorun giderme: Bir asistan, arıza raporunda adı geçen makineye ilişkin bakım kayıtlarını ve kılavuz sayfalarını getirir; kılavuz hata kodunu açıklamıyorsa geçmiş olay kayıtlarında arama yapar.
- Aracı destekli kodlama: Kodlama aracıları bir depoda arama yapar, buldukları dosyaları okur ve kodu düzenlemeden önce bu sırada keşfettikleri adları kullanarak yeniden arama yapar.
Maliyetler ve Hata Türleri#
Her ek adım bir LLM çağrısı gerektirir; bu yüzden agentic RAG, tek geçişli bir yaklaşımdan daha yavaş ve pahalıdır. Anthropic'in çok aracılı araştırma sistemi analizi, aracıların genellikle sohbet etkileşimlerinden yaklaşık 4 kat, çok aracılı sistemlerin ise yaklaşık 15 kat fazla belirteç kullandığını ortaya koydu. Aracılar, sabit işlem hatlarında görülmeyen biçimlerde de başarısız olur: Benzer sorgular arasında döngüye girer, önemli belgeyi bulmadan durur, yanlış aracı çağırır veya erken bir hatayı sonraki tüm adımlara taşır; bu da kendinden emin halüsinasyonlara yol açabilir. Üretim sistemleri adım sayısını sınırlar, tüm izleri kaydeder ve tüm işlem akışlarını aracı değerlendirmesi ile puanlar. Anthropic'in analizinde, belirteç kullanımı tek başına BrowseComp tarama kıyaslamasındaki performans değişkenliğinin %80'ini açıkladı.
