Agentic RAG: passaggio dalla ricerca all'azione nella conoscenza aziendale

Perché il RAG tradizionale non è adatto ai flussi di lavoro aziendali

La generazione aumentata di recupero è stata una svolta per radicare gli output LLM in contenuti reali, ma il modello standard, recuperare blocchi rilevanti e quindi generare una risposta, raggiunge un limite negli ambienti aziendali. Le domande aziendali reali raramente trovano risposta in un unico passaggio di documenti. Un dipendente che chiede come richiedere un'estensione del congedo ha bisogno di informazioni dal documento sulla politica delle risorse umane, del contesto sul tipo specifico di congedo, del flusso di lavoro di approvazione per il proprio dipartimento e potenzialmente dello stato attuale della richiesta esistente nel sistema HRIS. Il RAG standard recupera alcuni pezzi e spera che il modello possa sintetizzare una risposta. In pratica, questo produce risposte che sono parzialmente corrette ma che mancano di passaggi procedurali critici o, peggio ancora, che affermano con sicurezza politiche obsolete perché la fase di recupero ha fatto emergere una versione del documento sostituita.

Agentic RAG: recuperare, ragionare e agire in un'unica pipeline

Agentic RAG estende il paradigma di recupero dando all'agente la capacità di recuperare in modo iterativo, ragionare sulle lacune nella sua conoscenza attuale, recuperare nuovamente da fonti diverse e, infine, agire per conto dell'utente. Invece di un singolo passaggio di recupero, l'agente esegue un ciclo di ragionamento. Primo recupero: ritirare la policy sui congedi. Fase di ragionamento: la policy fa riferimento a regole diverse per tipi di congedo diversi, ma l'utente non ha specificato il tipo di congedo. Decisione: controllare il sistema HRIS per il record delle ferie attive dell'utente. Secondo recupero: estrarre i dettagli delle ferie del dipendente da Workday. Fase di ragionamento: il dipendente è in congedo FMLA, che prevede un processo di proroga specifico. Terzo recupero: esegui la procedura di estensione FMLA. Azione: generare il modulo di richiesta di proroga precompilato con i dati del dipendente e inviarlo attraverso il corretto flusso di lavoro di approvazione. Questo modello multi-hop trasforma un sistema di risposta alle domande in un motore di esecuzione del flusso di lavoro. L'utente ha posto una domanda e ha ricevuto un'azione completata, non solo una risposta di cui avrebbe avuto bisogno per agire da solo.

Modelli del mondo reale: recupero multi-hop e generazione aumentata da strumenti

Distribuiamo RAG agenti in diversi modelli aziendali ricorrenti. Il primo è policy-to-action: l'agente recupera i documenti politici rilevanti, li incrocia con il contesto specifico del dipendente dai sistemi HR e IT ed esegue il flusso di lavoro appropriato. Il secondo è la risoluzione diagnostica: per gli scenari di supporto IT, l'agente recupera guide per la risoluzione dei problemi, interroga i sistemi di monitoraggio per lo stato corrente, esegue comandi diagnostici attraverso integrazioni di strumenti approvati e applica le correzioni. Il terzo è la sintesi della conoscenza: per domande complesse che abbracciano più domini di conoscenza, l'agente esegue il recupero parallelo tra diverse raccolte di documenti, riconcilia informazioni contrastanti controllando l'aggiornamento e l'autorità del documento e produce una risposta sintetizzata con citazioni. In ogni modello, l'ingrediente critico è il ciclo di ragionamento che si trova tra le fasi di recupero. L'agente non si limita a recuperare e generare. Recupera, valuta se dispone di un contesto sufficiente, identifica le lacune e ne recupera strategicamente di più finché non ha il quadro completo necessario per agire con sicurezza.