Агентный RAG

Агентный RAG - это архитектура генерации с дополненным извлечением, в которой LLM-агент, а не фиксированный конвейер, решает, что извлекать, когда, как и достаточно ли хорош ответ. Вместо единственного потока запрос -> извлечение -> ответ агент планирует, выполняет несколько поисков, оценивает собственные промежуточные ответы и повторяет попытки, пока не будет уверен в результате.

Почему это важно

У классического RAG есть потолок: один запрос, одно извлечение, один ответ. Это работает для простых поисков, но не справляется со сложными вопросами, неоднозначными запросами или задачами, требующими чтения нескольких документов в несколько шагов. Агентный RAG преодолевает этот потолок, предоставляя модели автономию над самим процессом извлечения. Бенчмарки 2024-2025 годов от LangChain, LlamaIndex и Anthropic показывают, что агентный RAG превосходит обычный RAG на 20-40% в задачах вопросов-ответов по нескольким документам, проверки фактов и исследований. Это архитектура, лежащая в основе глубокого исследования Perplexity, веб-просмотра ChatGPT и большинства корпоративных систем "общения с документами", которые действительно работают.

Чем он отличается от обычного RAG

Обычный RAG:

1. Пользователь задает вопрос
2. Система кодирует вопрос, извлекает top-k результатов
3. Модель генерирует ответ из извлеченного контекста

Один проход. Статично. Без повторных попыток.

Агентный RAG:

1. Пользователь задает вопрос
2. Агент планирует: "Что мне нужно знать, чтобы ответить на это?"
3. Агент вызывает инструмент извлечения с конкретным подзапросом
4. Агент читает результаты, решает, чего не хватает
5. Агент снова вызывает извлечение с уточненными запросами (цикл)
6. Агент решает, когда у него достаточно данных, и составляет ответ
7. Агент при необходимости проводит самокритику и вносит правки
8. Выдается окончательный ответ

Многошаговый. Адаптивный. Может возвращаться назад.

Основные компоненты

Планировщик: LLM (часто та же, что и отвечает), которая разбивает вопрос на шаги извлечения.

Инструменты извлечения: векторный поиск, поиск по ключевым словам, вызовы API, запросы к базе данных - агент может выбирать между ними.

Память: агент отслеживает, что он уже видел, чтобы избежать избыточных вызовов.

Цикл самокритики: агент оценивает, насколько хорошо обоснован его черновой ответ, и если нет, извлекает больше данных.

Условие выхода: либо порог уверенности, либо бюджет шагов, либо явный сигнал "у меня достаточно".

Распространенные паттерны

ReAct (Reasoning + Acting): агент чередует размышления и вызовы инструментов в едином рабочем пространстве. Изначальный агентный паттерн из работы Yao et al., 2022.

Plan-and-execute: агент сначала пишет многошаговый план, затем выполняет каждый шаг. Лучше подходит для глубоких исследований; медленнее для простых вопросов.

Self-RAG: модель динамически решает, нужно ли извлечение вообще. Если вопрос тривиален, она полностью пропускает извлечение.

Multi-agent RAG: несколько специализированных агентов (поисковик, читатель, критик, писатель) работают совместно. Мощно, но дорого.

Когда его применять

Сложные исследовательские задачи: "Обобщи тренды доходов за четвертый квартал 2025 года по компаниям FAANG."

Проверка фактов по нескольким документам: сопоставление утверждений с несколькими источниками.

Неоднозначные вопросы: где правильное извлечение зависит от снятия неоднозначности ("Какой именно Jordan?").

Ответы с высокими ставками: юридические, медицинские, финансовые, где единственное извлечение может упустить критически важный контекст.

Чат с интеграцией агентов: ассистенты, которые также выполняют действия (отправка письма, планирование встречи) на основе полученных знаний.

Когда его не стоит применять

Простые поиски по FAQ: одного извлечения достаточно; агентные циклы добавляют задержку и стоимость.

Жесткие ограничения по задержке: чат-интерфейсы с целевым показателем в 1 секунду не могут позволить себе многошаговые агентные циклы.

Чувствительность к стоимости при больших объемах: каждая итерация цикла - это еще один вызов вывода. В масштабе агентный RAG может быть в 5-10 раз дороже обычного RAG.

Хорошо проиндексированные небольшие корпусы: если ваши данные достаточно малы, чтобы одно плотное извлечение всегда находило нужный фрагмент, не добавляйте сложности.

Компромиссы

Задержка: многошаговые циклы означают, что ответы занимают 5-30 секунд, а не меньше 1 секунды.

Стоимость: каждый шаг - это вызов LLM плюс вызов извлечения. Планируйте бюджет соответственно.

Детерминированность: агентные системы сложнее отлаживать и воспроизводить, потому что агент может выбирать разные пути при разных запусках.

Оценка: измерить "хорошо ли извлечение" сложно, когда план извлечения динамический. Вы оцениваете финальные ответы, а не промежуточные решения.

Распространенные ошибки

Навязывание агентов простым вопросам: излишество раздувает стоимость без улучшения качества.

Отсутствие бюджета шагов: неограниченный агент может зацикливаться на минуты. Ограничивайте шаги до 5-10.

Отсутствие памяти: без отслеживания прошлых извлечений агент повторяет работу.

Слабый планировщик: если планирующая LLM слишком мала или плохо настроена через промпт, планы получаются плохими, а циклы тратят вызовы впустую.

Пропуск оценки: поскольку трассировки агента зашумлены, команды пропускают формальную оценку, а затем не могут понять, действительно ли их система лучше обычного RAG.

Источники:

• Traditional RAG vs. Agentic RAG - NVIDIA Developer Blog
• ReAct Paper - Yao et al.
• Building Effective Agents - Anthropic