Agentic RAG: מעבר מחיפוש לפעולה בידע ארגוני

מדוע RAG מסורתי נופל עבור זרימות עבודה ארגוניות

Generation-Augmented של אחזור היה פריצת דרך לביסוס פלטי LLM בתוכן עובדתי, אבל הדפוס הסטנדרטי, אחזור נתחים רלוונטיים ואז מייצר תשובה, מגיע לתקרה בסביבות ארגוניות. שאלות ארגוניות אמיתיות נענות רק לעתים רחוקות על ידי קטע מסמך אחד. עובד ששואל כיצד לבקש הארכת חופשה זקוק למידע ממסמך מדיניות משאבי אנוש, הקשר לגבי סוג החופשה הספציפי שלו, זרימת העבודה של האישור עבור המחלקה שלו, וייתכן שהסטטוס הנוכחי של הבקשה הקיימת שלו במערכת HRIS. Standard RAG מאחזר כמה נתחים ומקווה שהדגם יכול לסנתז תשובה. בפועל, זה מייצר תגובות שנכונות חלקית אך מחמיצות שלבים פרוצדורליים קריטיים, או גרוע מכך, מצהירים בביטחון על מדיניות מיושנת מכיוון ששלב האחזור עלה על פני גרסת מסמך שהוחלפה.

סמרטוט סוכן: אחזר, נמק ופעל בצינור יחיד

Agentic RAG מרחיב את פרדיגמת השליפה בכך שהוא נותן לסוכן את היכולת לאחזר באופן איטרטיבי, לנמק על פערים בידע הנוכחי שלו, לאחזר שוב ממקורות שונים, ובסופו של דבר לנקוט בפעולה בשם המשתמש. במקום שלב אחזור בודד, הסוכן מבצע לולאת חשיבה. שליפה ראשונה: למשוך את מדיניות החופשה. שלב הנמקה: המדיניות מתייחסת לכללים שונים עבור סוגי חופשה שונים, אך המשתמש לא ציין את סוג החופשה שלו. החלטה: בדוק במערכת HRIS את רשומת החופשה הפעילה של המשתמש. שליפה שנייה: שלוף את פרטי החופשה של העובד מ-Workday. שלב הנמקה: העובד נמצא בחופשת FMLA, שיש לה תהליך הארכה ספציפי. שליפה שלישית: משוך את הליך הארכת FMLA. פעולה: הפק את טופס בקשת ההרחבה המלא מראש בפרטי העובד ושלח אותו באמצעות תהליך האישור הנכון. דפוס ריבוי הופים זה הופך מערכת תשובות לשאלות למנוע ביצוע זרימת עבודה. המשתמש שאל שאלה אחת וקיבל פעולה שהושלמה, לא רק תשובה שהוא יצטרכו כדי לפעול לפי עצמו.