Реальность такова, что нам всем следует стремиться создать своего идеального агентного коллегу. Cowork от Anthropic сигнализирует о новой волне инструментов оркестрации агентов на горизонте. Дело не только в том, чтобы сделать использование Claude Code простым. На мой взгляд, это больше связано с созданием интуитивно понятных интерфейсов для взаимодействия, управления и оркестрации агентов, чтобы они были более продуктивными с AI. Существует пространство для инноваций в том, как происходит коммуникация между человеком и агентом (и наоборот). И я имею в виду повсюду и в каждой области, которую вы можете себе представить. С ростом навыков и плагинов любой может создать мощные впечатления с этими агентами и инструментами. Вам не нужно быть техническим специалистом, чтобы нарушить правила и создать креативные и невероятно полезные навыки (будь то для работы, личного проекта или даже стартапа). Вам нужно иметь хороший вкус в области, в которой вы работаете, внимательно следить за новыми технологиями AI, без усталости экспериментировать, создавать контекст и строить с компаундным мышлением. Впереди захватывающие времена. Пора строить!

Стоит ли использовать Agentic RAG? Системы RAG эволюционировали от простых конвейеров извлечения и генерации к сложным рабочим процессам. По-прежнему неясно, когда использовать Enhanced RAG (фиксированные конвейеры с выделенными модулями) по сравнению с Agentic RAG (LLM динамически управляет всем процессом). Это исследование предоставляет первое эмпирическое сравнение. Enhanced RAG добавляет заранее определенные компоненты для устранения конкретных слабостей: маршрутизаторы для определения необходимости извлечения, переписчики запросов для улучшения согласованности и повторные ранжировщики для уточнения выбора документов. Рабочий процесс фиксирован и вручную спроектирован. Agentic RAG использует другой подход. LLM решает, какие действия выполнять, когда их выполнять и нужно ли повторять. Нет дополнительных компонентов, кроме базовой базы знаний, извлекателя и генератора. Модель контролирует все. Исследователи оценили оба парадигмы по четырем измерениям в задачах QA и извлечения информации. Обработка намерений пользователя: Agentic немного превосходит Enhanced по большинству задач, но Enhanced одерживает решительную победу на FEVER (+28.8 F1 баллов), где агент часто извлекает ненужные данные. Переписывание запросов: Agentic RAG достигает 55.6 в среднем NDCG@10 по сравнению с 52.8 для Enhanced, что показывает, что агент может адаптивно переписывать запросы, когда это полезно. Уточнение документов: Enhanced RAG с повторным ранжированием (49.5 NDCG@10) превосходит Agentic (43.9). Специальные модули повторного ранжирования превосходят итеративные попытки извлечения. Agentic RAG гораздо более чувствителен к возможностям модели. С более слабыми моделями Enhanced RAG сохраняет стабильность, в то время как производительность Agentic значительно ухудшается. Анализ затрат показывает, что Agentic RAG требует в 2-10 раз больше времени вычислений и токенов из-за многоступенчатого рассуждения. Выбор между Enhanced и Agentic RAG зависит от ваших ограничений. Enhanced RAG предлагает предсказуемость, более низкие затраты и стабильность с более слабыми моделями. Agentic RAG предоставляет гибкость, но требует более мощных моделей и больше вычислительных ресурсов. Статья: Научитесь строить эффективные системы Agentic RAG в нашей академии:

Простое решение для памяти для задач с длительным горизонтом.