Agentic RAG: przejście od wyszukiwania do działania w wiedzy korporacyjnej

Dlaczego tradycyjny RAG nie sprawdza się w przepływach pracy w przedsiębiorstwie

Generowanie wspomagane wyszukiwaniem było przełomem w osadzaniu wyników LLM w treści opartej na faktach, ale standardowy wzorzec, polegający na pobraniu odpowiednich fragmentów, a następnie wygenerowaniu odpowiedzi, osiąga sufit w środowiskach korporacyjnych. Odpowiedzi na prawdziwe pytania przedsiębiorstwa rzadko można znaleźć w jednym fragmencie dokumentu. Pracownik pytający, jak złożyć wniosek o przedłużenie urlopu, potrzebuje informacji z dokumentu polityki kadrowej, kontekstu dotyczącego konkretnego rodzaju urlopu, przepływu pracy związanej z zatwierdzaniem w jego dziale i potencjalnie aktualnego statusu istniejącego wniosku w systemie HRIS. Standardowy RAG odzyskuje kilka fragmentów i ma nadzieję, że model będzie w stanie zsyntetyzować odpowiedź. W praktyce skutkuje to odpowiedziami, które są częściowo poprawne, ale pomijają krytyczne etapy procedury lub, co gorsza, z całą pewnością stwierdzają, że zasady są nieaktualne, ponieważ na etapie odzyskiwania pojawiła się zastąpiona wersja dokumentu.

Agentic RAG: odzyskiwanie, uzasadnienie i działanie w jednym potoku

Agentic RAG rozszerza paradygmat wyszukiwania, dając agentowi możliwość iteracyjnego wyszukiwania, uzasadniania luk w swojej aktualnej wiedzy, ponownego wyszukiwania z różnych źródeł i ostatecznie podejmowania działań w imieniu użytkownika. Zamiast pojedynczego kroku pobierania agent wykonuje pętlę rozumowania. Pierwsze pobranie: wyciągnij politykę urlopową. Etap rozumowania: polityka odwołuje się do różnych zasad dla różnych typów urlopów, ale użytkownik nie określił rodzaju urlopu. Decyzja: sprawdź w systemie HRIS historię aktywnych urlopów użytkownika. Drugie pobranie: pobierz dane urlopowe pracownika z Workday. Etap rozumowania: pracownik przebywa na urlopie FMLA, który podlega specyficznemu procesowi przedłużenia. Trzecie pobranie: przeciągnij procedurę przedłużenia FMLA. Działanie: wygeneruj formularz wniosku o przedłużenie, wstępnie wypełniony danymi pracownika i prześlij go poprzez odpowiedni proces akceptacji. Ten wzorzec wielu przeskoków przekształca system odpowiadania na pytania w silnik wykonywania przepływu pracy. Użytkownik zadał jedno pytanie i otrzymał ukończoną akcję, a nie tylko odpowiedź, której potrzebowałby, aby samodzielnie podjąć działania.

Wzorce świata rzeczywistego: pobieranie wieloskokowe i generowanie wspomagane narzędziami

Wdrażamy agentowe RAG w kilku powtarzających się wzorcach korporacyjnych. Pierwsza to polityka-działanie: agent pobiera odpowiednie dokumenty dotyczące polityki, porównuje je z konkretnym kontekstem pracownika z systemów HR i IT i realizuje odpowiedni przepływ pracy. Drugie to rozwiązanie diagnostyczne: w scenariuszach wsparcia IT agent pobiera przewodniki dotyczące rozwiązywania problemów, wysyła zapytania do systemów monitorujących o bieżący stan, uruchamia polecenia diagnostyczne za pośrednictwem zatwierdzonych integracji narzędzi i stosuje poprawki. Trzeci to synteza wiedzy: w przypadku złożonych pytań obejmujących wiele dziedzin wiedzy agent wykonuje równoległe wyszukiwanie w różnych zbiorach dokumentów, godzi sprzeczne informacje, sprawdzając aktualność i wiarygodność dokumentów, oraz generuje syntetyczną odpowiedź z cytatami. W każdym wzorcu krytycznym składnikiem jest pętla rozumowania, która znajduje się pomiędzy etapami wyszukiwania. Agent nie tylko pobiera i generuje. Wyszukuje, ocenia, czy ma wystarczający kontekst, identyfikuje luki i strategicznie pobiera więcej, aż uzyska pełny obraz niezbędny do pewnego działania.