मुख्य सामग्री पर जाएँ
Zubnet AI › सीखें › Wiki › Agentic RAG
AI उपयोग

Agentic RAG

इसे भी कहा जाता है: Agentic Retrieval, Agentic Search
ऐसा retrieval-augmented generation जिसमें model खुद तय करता है कि कब search करना है, क्या search करना है और क्या उसे काफ़ी मिल गया है, बजाय इसके कि वह retrieve-फिर-answer वाली तय pipeline पर चले।

यह क्यों मायने रखता है

ज़्यादातर modern AI search products इसी तरह काम करते हैं। ChatGPT, Claude, Gemini और Perplexity के deep research features हर सवाल पर दर्जनों या सैकड़ों searches चलाते हैं। Coding agents भी codebase को इसी तरह खँगालते हैं, एक embedding lookup की जगह बार-बार search करके और files पढ़कर।

यह इसलिए व्यावहारिक हुआ क्योंकि models tool use में और अपने नतीजों को परखने में अच्छे हो गए। सबसे बड़ा फ़ायदा कठिन सवालों पर मिलता है: multi-hop सवाल, धुँधले सवाल जिन्हें साफ़ करना पड़ता है, और ऐसे सवाल जिनमें पहली search से पता चलता है कि आगे कौन-सा सही शब्द search करना है।

गहन अध्ययन

Classic RAG एक तय pipeline है: user का सवाल लीजिए, सबसे ऊपर के कुछ chunks एक बार retrieve कीजिए, उन्हें prompt में चिपकाइए और जवाब generate कीजिए। क्या retrieve होगा, इसमें model की कोई भूमिका नहीं होती। अगर search चूक जाए, तो जवाब गलत होता है, और system में किसी को पता नहीं चलता।

Agentic RAG retrieval की कमान model को सौंप देता है। Search एक tool बन जाता है जिसे model जितनी बार ज़रूरत हो, call कर सकता है। वह सवाल को बेहतर queries में दोबारा लिख सकता है, पेचीदा सवाल को हिस्सों में तोड़ सकता है, नतीजे पढ़ सकता है, कमियाँ पहचान सकता है, अभी-अभी सीखी बात के साथ फिर search कर सकता है, और काफ़ी सबूत मिल जाने पर रुक सकता है।

Agent क्या कर सकता है

  • तय करना कि retrieve करना है भी या नहीं। "2+2 कितना होता है" के लिए search की ज़रूरत नहीं।
  • अपनी queries खुद लिखना। Users उलझे हुए सवाल लिखते हैं। Model एक सवाल को कई सटीक searches में बदल सकता है।
  • Sources में से चुनना। Vector search, keyword search, SQL, web search API, file tools और दूसरे systems, सब tools के रूप में दिए जा सकते हैं।
  • Iterate करना। नतीजे पढ़ना, references के पीछे जाना और निखारना। यह retrieval पर लागू किया गया ReAct loop है।
  • खुद को जाँचना। परखना कि retrieve किए गए passages सच में सवाल का जवाब देते हैं या नहीं, और draft जवाब को sources से मिलाना।

सबसे सरल Version

आपको framework की ज़रूरत नहीं। किसी सक्षम model को साफ़ descriptions वाले एक-दो search tools दीजिए, उसे कहिए कि जवाब देने से पहले search करे और जो इस्तेमाल किया उसे cite करे, और steps की संख्या पर सीमा लगाइए। सिर्फ़ इतना ही कठिन सवालों पर अक्सर बारीकी से tune की गई single-shot pipeline को पीछे छोड़ देता है।

Trade-offs

  • Latency और cost: search का हर step एक और model call है। जो सरल सवाल एक second लेता था वह दस ले सकता है, और deep research का एक task कई मिनट ले सकता है और लाखों tokens इस्तेमाल कर सकता है।
  • Context का बढ़ना: नतीजे context window में जमा होते जाते हैं, इसलिए tools को छोटे और relevant snippets लौटाने चाहिए।
  • कम predictable: agent बहुत जल्दी रुक सकता है, गोल-गोल search कर सकता है या भटक सकता है। Evaluation को सिर्फ़ जवाब नहीं, पूरी trajectory देखनी चाहिए।
  • Security: retrieve किए गए web pages और documents में prompt injections हो सकते हैं, और दूसरे tools वाला agent उन पर अमल कर सकता है।

Retrieval की Quality अब भी मायने रखती है

Agent खराब search tool की भरपाई एक हद तक ही कर सकता है। अच्छी chunking, hybrid search और reranking हर step को ज़्यादा काम का बनाते हैं और ज़रूरी steps की संख्या घटाते हैं। दिलचस्प बात यह है कि agents अक्सर सरल tools के साथ भी अच्छा करते हैं, जैसे keyword search और सीधे files पढ़ना, क्योंकि वे दोबारा कोशिश करके कमी की भरपाई कर सकते हैं।

कब क्या इस्तेमाल करें

ज़्यादा volume वाले सरल lookups के लिए जहाँ speed मायने रखती है, जैसे FAQ से जवाब देने वाला support bot, classic single-shot RAG अब भी सही tool है। Research, analysis और पेचीदा सवालों के लिए model को कमान दीजिए। कई systems दोनों इस्तेमाल करते हैं: पहले एक तेज़ retrieval, और agent ज़रूरत पड़ने पर ही आगे search करता है।

← सभी शब्द
ESC