Агентный RAG

Агентный RAG — архитектура, в которой языковая модель самостоятельно планирует несколько итеративных циклов поиска, оценивает промежуточные результаты и адаптирует стратегию запросов — вместо одного статичного обращения к базе знаний.

Агентный RAG (Agentic RAG) — развитие технологии retrieval-augmented generation, объединяющее её с принципами автономных AI-агентов. Базовый RAG выполняет единственный поиск по запросу пользователя и передаёт найденные фрагменты в языковую модель. Агентный RAG наделяет модель способностью итеративно переформулировать подзапросы, оценивать качество извлечённых данных и при недостаточности результатов инициировать дополнительные поиски по разным источникам.

Типичный цикл агентного RAG: модель декомпозирует исходный вопрос на подзапросы, выполняет поиск по векторной базе данных или внешним инструментам (API, веб, SQL-базы), оценивает релевантность результатов и решает — достаточно ли контекста для ответа или нужен следующий цикл. Инструменты передаются модели через механизм function calling / tool use. Среди реализаций — LangChain Adaptive RAG, LlamaIndex Agentic Pipeline, Perplexity Pro и корпоративные решения на базе Cohere Command R+.

Базовый RAG плохо справляется с многошаговыми запросами: например, «Сравни финансовые показатели компании за 2023 и 2024 год и объясни динамику» требует как минимум двух независимых поисков и их синтеза. Агентный RAG решает такие задачи без ручной декомпозиции, что критично для корпоративных аналитических платформ, правовых ассистентов и научных поисковых систем.

К 2026 году агентный RAG стал де-факто стандартом в enterprise-разработках с объёмными базами знаний. Системы Microsoft Copilot for Finance и IBM watsonx применяют многоитерационный поиск для работы с корпоративной документацией. Основной практический вызов — латентность: каждый дополнительный цикл поиска прибавляет секунды к времени ответа, что вынуждает проектировщиков балансировать между глубиной поиска и отзывчивостью системы.