Agentic RAG
RAG där LLM:en själv styr hämtningen — bestämmer när, vad och hur många gånger den ska söka i stället för att bara köra en enkel "embed → top-k → answer"-pipeline.
Modellen får verktyg (search, fetch_url, query_db) via function calling och loopar tills den är nöjd. Klassisk RAG söker en gång på userns prompt; agentic RAG kan dela upp frågan, omformulera misslyckade sökningar, validera fakta, gå till källor och kombinera resultat över flera steg.
Lyfter recall och precision på komplexa frågor (deep research, jur, vetenskap) men ökar latens och kostnad rejält — kan göra dussintals modellanrop per fråga.