Retrieval-augmented generation は、モデルが学習したことのない事実に基づいて LLM の出力を根拠づけるという、実際の問題を解決しました。しかし、従来の RAG には限界があります。一度検索し、その結果をプロンプトに詰め込み、上位 k 個のチャンクに答えが含まれていることを願うだけです。自己修正機能はなく、多段階の推論もなく、最初の検索が失敗した場合に回復する方法もありません。Agentic RAG は、LLM 駆動のエージェントをループに入れることで、その限界を取り除きます。エージェントは、何を検索するか、いつ再検索するか、検索されたコンテキストが実際に十分かどうか、そして回答する前に複数のソースをどのように組み合わせるかを決定します。この記事では、自分でスタックに適応できる動作するコードを使用して、ゼロから段階的に構築する方法を説明します。