Генерация с дополненным поиском решила реальную проблему: она основывала выходные данные LLM на фактах, на которых модель никогда не обучалась. Но классический RAG имеет предел. Он выполняет поиск один раз, помещает результаты в запрос и надеется, что топ-k фрагментов случайно содержат ответ. Нет самокоррекции, нет многошаговых рассуждений и нет способа исправить ситуацию, когда первый поиск промахивается.Агентный RAG снимает этот предел, вводя в цикл агента, управляемого LLM, который решает, что искать, когда искать снова, достаточно ли хорош полученный контекст и как объединить несколько источников перед ответом. Эта статья шаг за шагом описывает создание такого агента с нуля, с рабочим кодом, который вы можете адаптировать к своему собственному стеку.