Что это
Agentic RAG — эволюция классического Retrieval-Augmented Generation. Вместо «один поисковый проход → подставили в промт → ответ» агент планирует шаги, переписывает запросы, вызывает инструменты, обращается к памяти и итеративно уточняет результат, оценивая собственный вывод. Поиск становится многошаговым и самокорректирующимся.
Откуда пошло
- 2023–24 — классический RAG стал стандартом «привязать LLM к своим данным».
- Январь 2025 — выходит обзорная статья «Agentic RAG: A Survey» (arXiv 2501.09136), которая оформляет подход в отдельное направление.
- 2025 — вендоры (Redis, RAGFlow, фреймворки агентов) переносят логику с «пайплайнов» на «агентов».
Почему взлетело
- Статичный RAG плохо тянет сложные многошаговые вопросы — нужна адаптивность.
- Самооценка и повторный поиск снижают галлюцинации: по ряду замеров ошибки падают с ~20%+ до <10%.
- Совпало с общим разворотом индустрии к агентам: «поиск» естественно стал одной из способностей агента.
Как применить сейчас
- Если у тебя уже есть RAG — добавь шаг «агент переформулирует запрос, если результат слабый».
- Дай агенту несколько источников/инструментов и право выбирать, куда идти за ответом.
- Встрой проверку: агент оценивает свой ответ и при сомнении ищет ещё раз.
На что обратить внимание
- Многошаговость дороже и медленнее одношагового RAG — не везде оправдана.
- Больше шагов = больше мест для ошибки; нужны лимиты на итерации.
- Качество всё равно упирается в качество источников: мусор на входе — мусор на выходе.