یکی از بزرگ‌ترین مشکلات RAGهای معمولی اینه که همیشه قبل از پاسخ دادن، بدون فکر می‌رن سراغ بازیابی اطلاعات. در حالی که خیلی وقت‌ها یک جستجو/سرچ کافی نباشه و مدل باید چند بار جستجو کنه، نتایج رو ارزیابی کنه و بعد تصمیم بگیره.

اینجاست که Agentic RAG وارد می‌شه. ایده‌ی اصلی خیلی ساده‌ست: Retrieval نباید یک مرحله‌ی اجباری باشه؛ باید یک تصمیم باشه.

در این مقاله درباره‌ی تفاوت RAG سنتی و Agentic RAG، چرخه‌ی تصمیم‌گیری برای Retrieval، معماری کلی سیستم، مزایا و محدودیت‌ها، و این‌که چه زمانی از Agentic RAG استفاده کنیم صحبت کردم. همچنین سعی کردم موضوع رو با شکل‌ها و مثال‌های عملی و کد توضیح بدم

اگر روی RAG، AI Agentها یا LLMها کار می‌کنید، این براتون مفیده.
لینک مقاله:
https://mlnotes.substack.com/p/agentic-rag-make-retrieval-a-decision

@DevTwitter | <Mehdi Allahyari/>