Ist Agentic RAG es wert? RAG-Systeme haben sich von einfachen Retriever-Generator-Pipelines zu komplexen Workflows entwickelt. Es bleibt unklar, wann Enhanced RAG (feste Pipelines mit speziellen Modulen) im Vergleich zu Agentic RAG (LLM steuert den gesamten Prozess dynamisch) verwendet werden sollte. Diese Forschung bietet den ersten empirischen Vergleich. Enhanced RAG fügt vordefinierte Komponenten hinzu, um spezifische Schwächen zu adressieren: Router, um zu bestimmen, ob eine Abfrage erforderlich ist, Abfrage-Umformulierungstools zur Verbesserung der Ausrichtung und Nachranker zur Verfeinerung der Dokumentenauswahl. Der Workflow ist fest und manuell konstruiert. Agentic RAG verfolgt einen anderen Ansatz. Das LLM entscheidet, welche Aktionen ausgeführt werden, wann sie ausgeführt werden und ob es iterieren soll. Es gibt keine zusätzlichen Komponenten über die grundlegende Wissensdatenbank, den Retriever und den Generator hinaus. Das Modell kontrolliert alles. Die Forscher bewerteten beide Paradigmen in vier Dimensionen bei QA- und Informationsabrufaufgaben. Umgang mit Benutzerabsichten: Agentic übertrifft Enhanced leicht bei den meisten Aufgaben, aber Enhanced gewinnt entscheidend bei FEVER (+28,8 F1-Punkte), wo der Agent oft unnötig abruft. Abfrageumformulierung: Agentic RAG erreicht 55,6 durchschnittliche NDCG@10 im Vergleich zu 52,8 für Enhanced, was zeigt, dass der Agent Abfragen adaptiv umformulieren kann, wenn es vorteilhaft ist. Dokumentenverfeinerung: Enhanced RAG mit Nachranking (49,5 NDCG@10) übertrifft Agentic (43,9). Dedizierte Nachrankermodule schlagen iterative Abrufversuche. Agentic RAG ist viel empfindlicher gegenüber der Modellfähigkeit. Bei schwächeren Modellen bleibt Enhanced RAG stabil, während die Leistung von Agentic erheblich abnimmt. Die Kostenanalyse zeigt, dass Agentic RAG 2-10x mehr Rechenzeit und Tokens benötigt aufgrund von mehrstufigem Denken. Die Wahl zwischen Enhanced und Agentic RAG hängt von Ihren Einschränkungen ab. Enhanced RAG bietet Vorhersehbarkeit, niedrigere Kosten und Stabilität mit schwächeren Modellen. Agentic RAG bietet Flexibilität, erfordert jedoch stärkere Modelle und mehr Rechenleistung. Paper: Lernen Sie, effektive Agentic RAG-Systeme in unserer Akademie zu erstellen: