Vale a pena o Agentic RAG? Os sistemas RAG evoluíram de simples pipelines de retriever-generator para fluxos de trabalho sofisticados. Ainda não está claro quando usar o Enhanced RAG (pipelines fixos com módulos dedicados) versus o Agentic RAG (o LLM orquestra todo o processo dinamicamente). Esta pesquisa fornece a primeira comparação empírica. O RAG aprimorado adiciona componentes pré-definidos para tratar fraquezas específicas: roteadores para determinar se a recuperação é necessária, reescritores de consultas para melhorar o alinhamento e reclassificadores para refinar a seleção de documentos. O fluxo de trabalho é fixo e manualmente engenheirado. O RAG agential adota uma abordagem diferente. O LLM decide quais ações realizar, quando realizá-las e se iterar. Sem componentes extras além da base de conhecimento básica, retriever e gerador. O modelo controla tudo. Os pesquisadores avaliaram ambos os paradigmas em quatro dimensões em tarefas de QA e recuperação de informação. Tratamento da intenção do usuário: Agentic supera ligeiramente o Enhanced na maioria das tarefas, mas o Enhanced vence decisivamente no FEVER (+28,8 pontos F1), onde o agente frequentemente recupera desnecessariamente. Reescrita de consultas: O RAG Agentic atinge uma média de NDCG@10 de 55,6 em comparação com 52,8 do Enhanced, mostrando que o agente pode reescrever consultas de forma adaptativa quando benéfico. Refinamento do documento: RAG aprimorado com reclassificação (49,5 NDCG@10) supera o Agentic (43,9). Módulos dedicados de reranker superam tentativas de recuperação iterativa. O RAG agente é muito mais sensível à capacidade do modelo. Com modelos mais fracos, o RAG aprimorado mantém a estabilidade enquanto o desempenho do agente se degrada significativamente. A análise de custos revela que o Agentic RAG exige de 2 a 10 vezes mais tempo de computação e tokens devido ao raciocínio em múltiplas etapas. A escolha entre RAG Aprimorado e Agente depende das suas limitações. O RAG aprimorado oferece previsibilidade, custos mais baixos e estabilidade com modelos mais fracos. O RAG agente oferece flexibilidade, mas exige modelos mais fortes e mais capacidade de cálculo. Papel: Aprenda a construir sistemas Agentic RAG eficazes em nossa academia: