← Voltar para o Dia 6: RAG avançado

Agentic RAG

O que é

Agentic RAG é uma abordagem de RAG em que o processo de recuperação de informações deixa de ser totalmente pré-definido e passa a ser orquestrado por um agente de IA.

Em um RAG tradicional, o fluxo costuma ser relativamente linear:

Pergunta
↓
Retrieval
↓
Top-k documentos
↓
Reranking
↓
Contexto
↓
LLM
↓
Resposta

No Agentic RAG, o próprio LLM pode decidir como buscar a informação, quais fontes consultar, quando fazer novas buscas e quando já possui evidências suficientes para responder:

Pergunta
↓
Agente analisa a tarefa
↓
Planeja a busca
↓
Escolhe uma fonte ou ferramenta
↓
Retrieval
↓
Avalia os resultados
↓
Nova busca, se necessário
↓
Combina as evidências
↓
Decide que possui contexto suficiente
↓
LLM gera a resposta

O termo "agentic" está relacionado justamente à capacidade de tomar decisões durante o processo, em vez de apenas executar uma sequência fixa de etapas.

Isso torna o Agentic RAG especialmente útil para perguntas complexas, que não podem ser respondidas adequadamente com uma única consulta ao mecanismo de Retrieval.

Como funciona

A principal diferença está na existência de um loop de decisão.

Em vez de simplesmente recuperar os documentos mais semelhantes à consulta original, o agente pode avaliar o que encontrou e decidir qual deve ser o próximo passo.

Por exemplo, imagine a pergunta:

"Compare o desempenho financeiro das três unidades da empresa no último trimestre e explique os principais motivos das diferenças."

Um RAG tradicional poderia fazer uma única busca por termos relacionados a desempenho financeiro e retornar alguns documentos.

Um Agentic RAG pode decompor a tarefa:

Pergunta
↓
Agente identifica três unidades
↓
Busca dados da Unidade A
↓
Avalia resultados
↓
Busca dados da Unidade B
↓
Avalia resultados
↓
Busca dados da Unidade C
↓
Procura informações sobre receitas, custos e margem
↓
Compara os resultados
↓
Busca explicações para diferenças relevantes
↓
Verifica se existem evidências suficientes
↓
Gera resposta

O agente pode inclusive utilizar diferentes fontes ou ferramentas:

                    ┌──→ Base de documentos
Pergunta → Agente ──┼──→ Vector Database
                    ├──→ Busca por palavras-chave
                    ├──→ Banco de dados SQL
                    └──→ API externa

Isso significa que Agentic RAG não é necessariamente apenas "um RAG com mais buscas". O ponto central é que o modelo participa da orquestração do processo de busca.

Uma característica importante é a possibilidade de query decomposition. O agente pode transformar uma pergunta complexa em várias perguntas menores.

Por exemplo:

Pergunta:
"Por que as vendas caíram no segundo trimestre?"

        ↓

Subperguntas:

1. Qual foi a variação das vendas?
2. Quais produtos apresentaram maior queda?
3. Quais regiões apresentaram maior queda?
4. Houve alteração de preços?
5. Houve problemas de estoque?
6. Existem fatores externos documentados?

Cada subpergunta pode gerar uma busca diferente. Depois, o agente reúne as evidências para construir uma resposta.

Outra característica importante é a capacidade de iterar.

Se a primeira busca retornar informações insuficientes, o agente pode reformular a consulta:

Consulta original
↓
Retrieval
↓
Resultados insuficientes
↓
Query Rewriting / Query Expansion
↓
Nova busca
↓
Novos resultados
↓
Avaliação
↓
Contexto suficiente?
├── Não → nova busca
└── Sim → resposta

Esse comportamento é bastante diferente de um pipeline RAG rígido, no qual as etapas são normalmente determinadas antecipadamente.

É importante também não confundir Agentic RAG com simplesmente utilizar um agente que acessa documentos. O componente essencial é a capacidade de decisão sobre o processo de recuperação e utilização das informações.

Um exemplo

Imagine um assistente corporativo conectado a documentos internos, banco de dados financeiro e sistema de vendas.

O usuário pergunta:

"Por que a receita da região Sul caiu em setembro e isso foi causado por redução de vendas ou por mudança no preço médio?"

O agente pode executar algo semelhante a:

Pergunta
↓
Agente identifica necessidade de:
  • receita
  • volume de vendas
  • preço médio
  • região Sul
  • setembro
↓
Consulta banco de dados
↓
Obtém queda de receita
↓
Busca documentos sobre vendas da região
↓
Obtém redução no volume
↓
Busca informações sobre preços
↓
Identifica alteração no preço médio
↓
Compara os fatores
↓
Busca relatório gerencial para validar a causa
↓
Evidências suficientes
↓
LLM gera resposta fundamentada

Nesse cenário, o agente não está apenas recuperando documentos semanticamente semelhantes à pergunta original.

Ele está investigando a pergunta.

Essa é uma das ideias mais importantes do Agentic RAG: a recuperação pode se tornar um processo iterativo de investigação.

Por que é importante

Agentic RAG é importante porque permite aplicar RAG a problemas que possuem múltiplas etapas, múltiplas fontes e necessidade de investigação.

Um RAG tradicional funciona muito bem quando existe uma relação relativamente direta entre pergunta e informação necessária:

Pergunta → Recuperação → Contexto → Resposta

Já perguntas mais complexas podem exigir:

Pergunta
↓
Planejamento
↓
Decomposição
↓
Múltiplas buscas
↓
Avaliação das evidências
↓
Novas buscas
↓
Síntese
↓
Resposta

Isso pode melhorar a capacidade de lidar com perguntas complexas, mas existe um custo. Quanto mais autonomia o agente possui, maior tende a ser a complexidade do sistema, o número de chamadas ao modelo e às ferramentas, a latência e o custo.

Também aumenta a possibilidade de decisões ruins durante o processo. Um agente pode escolher uma fonte inadequada, realizar buscas desnecessárias ou seguir uma linha de investigação equivocada.

Por isso, Agentic RAG não significa simplesmente "quanto mais agente, melhor". Em sistemas reais, é importante controlar quais ferramentas o agente pode utilizar, quais fontes são confiáveis, quantas iterações são permitidas e como as evidências são avaliadas.

A principal evolução em relação ao RAG tradicional pode ser resumida assim:

RAG tradicional
Pergunta → Recuperar → Gerar

Agentic RAG
Pergunta → Planejar → Recuperar → Avaliar → Decidir
                    ↑                    ↓
                    └──── Nova busca ───┘

Assim, enquanto o RAG tradicional trata Retrieval principalmente como uma etapa do pipeline, o Agentic RAG transforma a recuperação em um processo adaptativo de investigação, no qual o agente decide dinamicamente o que precisa descobrir antes de produzir a resposta.

link de compartilhamento