Agentic RAG
RAG, w którym to sam LLM steruje wyszukiwaniem — decyduje, kiedy, czego i ile razy szukać — zamiast prostego potoku „embedding → top-k → odpowiedź”.
Model dostaje narzędzia (search, fetch_url, query_db) przez function calling i działa w pętli, aż uzna wynik za wystarczający. Klasyczny RAG szuka raz, na podstawie promptu użytkownika; agentic RAG potrafi rozbić pytanie na części, przeformułować nieudane zapytania, zweryfikować fakty, podążać za źródłami i łączyć wyniki z wielu kroków.
Poprawia pokrycie i precyzję przy złożonych pytaniach (deep research, prawo, nauka), ale mocno zwiększa opóźnienie i koszt — na jedno zapytanie może przypaść kilkadziesiąt wywołań modelu.