Agentic RAG
Agentic RAG é uma arquitetura na qual um modelo de linguagem atua como um agente autônomo que iterativamente decide quando e o que recuperar de fontes externas, permitindo raciocínio de múltiplas etapas sobre queries complexas que retrieval single-pass não consegue resolver.
A retrieval-augmented generation (RAG) padrão segue um pipeline de duas etapas fixas: recupera documentos uma vez com base na query do usuário, então gera uma resposta condicionada nesses documentos. Agentic RAG substitui esse pipeline rígido por um loop de raciocínio no qual o modelo em si determina quantas etapas de retrieval são necessárias, que queries emitir, quais ferramentas ou índices chamar, e quando tem coletado evidência suficiente para produzir uma resposta. O modelo torna-se um orquestrador de retrieval em vez de um consumidor passivo de contexto pré-buscado.
Em uma configuração típica de agentic RAG, o LLM é fornecido com ferramentas — funções de busca, queries de banco de dados, APIs web — que ele pode invocar através de interfaces de tool-calling estruturadas. O agente emite uma solicitação de retrieval inicial, lê os resultados, identifica lacunas ou perguntas de acompanhamento, emite retrievals adicionais, e itera até poder sintetizar uma resposta final. Frameworks como LangGraph, LlamaIndex e Microsoft AutoGen fornecem infraestrutura para esse loop, incluindo gerenciamento de estado entre etapas e lógica de fallback quando retrievals falham.
O benefício central é a capacidade de lidar com queries que requerem informação de múltiplas fontes, clarificação sequencial ou ramificação condicional — por exemplo, "Encontre a receita trimestral mais recente para cada empresa em nossa lista de concorrentes e resuma a tendência." Um RAG single-pass recuperaria uma mistura ruidosa de documentos ou perderia o aspecto multi-entidade inteiramente. Agentic RAG pode decompor isso em sub-queries, recuperar por empresa e agregar resultados. O trade-off é latência: cada etapa de retrieval adicional adiciona tempo de round-trip, tornando tempos de resposta de vários segundos a dezenas de segundos comuns para queries complexas.
Por 2026, padrões de agentic RAG foram produzidos por vendedores de busca empresarial e equipes de ferramentas internas. Modelos de contexto longo com janelas de milhões de tokens reduziram a necessidade de retrieval multi-hop em alguns cenários permitindo que grandes corpora sejam carregadas diretamente, mas retrieval permanece essencial para dados atualizados ou proprietários não presentes em pesos de modelo. Desafios de confiabilidade — loops de retrieval que falham em terminar, buscas redundantes e erros de tool-call — são áreas ativas de melhoria em frameworks de agentes e benchmarks de avaliação.