Agentic RAG: Trecerea de la căutare la acțiune în Enterprise Knowledge

De ce RAG tradițional nu face față fluxurilor de lucru pentru întreprinderi

Retrieval-Augmented Generation a reprezentat o descoperire pentru împământarea rezultatelor LLM în conținut faptic, dar modelul standard, regăsește bucăți relevante, apoi generează un răspuns, atinge un plafon în mediile de întreprindere. Întrebările reale ale întreprinderii primesc rar răspunsul printr-un singur pasaj de document. Un angajat care întreabă cum să solicite o prelungire a concediului are nevoie de informații din documentul de politică de resurse umane, contextul despre tipul său specific de concediu, fluxul de lucru de aprobare pentru departamentul său și, eventual, starea actuală a cererii sale existente în sistemul HRIS. Standard RAG preia câteva bucăți și speră că modelul poate sintetiza un răspuns. În practică, acest lucru produce răspunsuri care sunt parțial corecte, dar lipsesc pașii procedurali critici sau, mai rău, afirmă cu încredere politica învechită, deoarece pasul de recuperare a apărut o versiune a documentului înlocuită.

Agentic RAG: Preluați, raționați și acționați într-o singură conductă

Agentic RAG extinde paradigma de regăsire, oferind agentului capacitatea de a prelua în mod iterativ, de a argumenta despre lacunele din cunoștințele sale actuale, de a prelua din nou din diferite surse și, în cele din urmă, de a lua măsuri în numele utilizatorului. În loc de un singur pas de recuperare, agentul execută o buclă de raționament. Prima recuperare: trageți politica de concediu. Pas de raționament: politica face referire la reguli diferite pentru diferite tipuri de concediu, dar utilizatorul nu a specificat tipul de concediu. Decizie: verificați sistemul HRIS pentru înregistrarea de concediu activă a utilizatorului. A doua recuperare: extrageți detaliile concediului angajatului din Workday. Pas de raționament: angajatul este în concediu FMLA, care are un proces de prelungire specific. A treia recuperare: trageți procedura de extensie FMLA. Acțiune: generați formularul de cerere de prelungire completat în prealabil cu detaliile angajatului și trimiteți-l prin fluxul de lucru corect de aprobare. Acest model multi-hop transformă un sistem de răspunsuri la întrebări într-un motor de execuție a fluxului de lucru. Utilizatorul a pus o întrebare și a primit o acțiune finalizată, nu doar un răspuns de care ar avea nevoie pentru a acționa pe cont propriu.

Modele din lumea reală: regăsire multi-hop și generare cu instrumente

Implementăm RAG agentic în mai multe modele de întreprindere recurente. Primul este politica-la-acțiune: agentul preia documentele relevante de politică, le face referințe încrucișate cu contextul specific al angajatului din sistemele de resurse umane și IT și execută fluxul de lucru corespunzător. Al doilea este rezoluția diagnosticului: pentru scenariile de asistență IT, agentul preia ghiduri de depanare, interogează sistemele de monitorizare pentru starea curentă, execută comenzi de diagnosticare prin integrări de instrumente aprobate și aplică remedieri. A treia este sinteza cunoștințelor: pentru întrebările complexe care acoperă mai multe domenii de cunoștințe, agentul efectuează regăsire paralelă în diferite colecții de documente, reconciliază informațiile conflictuale verificând prospețimea și autoritatea documentului și produce un răspuns sintetizat cu citări. În fiecare model, ingredientul critic este bucla de raționament care se află între pașii de recuperare. Agentul nu doar preia și generează. Preia, evaluează dacă are suficient context, identifică lacune și preia strategic mai multe până când are imaginea completă necesară pentru a acționa cu încredere.