Wird geladen…
Mehr als einfache Suche. Agentic RAG kombiniert Multi-Hop-Retrieval mit Reranking, Verifikation und Werkzeug-Ausführung — jede Antwort ist verteidigbar und jede Aktion auditierbar.
Klassisches RAG liefert die am besten passenden Chunks zurück und hofft, dass ein Sprachmodell es sortiert. Agentic RAG umhüllt diesen Schritt mit einer Schleife: es plant das Retrieval, prüft Ergebnisse gegen Geschäftsregeln, traversiert verwandten Kontext bei Lücken und schreibt erst dann eine Antwort oder Aktion fest.
Ein Orchestrator zerlegt die Nutzerabsicht in Teilabfragen, wählt den richtigen Retriever (Vektor, BM25, Graph oder SQL) und plant sie parallel ein.
Ein dedizierter Reranker bewertet jeden Kandidaten gegen die ursprüngliche Abfrage und hebt die Präzision dort, wo ungefähre Antworten nicht akzeptabel sind.
Eine Verifikationskette prüft Zitate, Geschäftsregeln und Richtlinien, bevor eine Antwort zurückkehrt. Wo erlaubt, schließt der Agent die Aktion ab — ein Ticket aktualisieren, einen API-Aufruf ausführen — statt die Arbeit an einen Menschen zurückzugeben.
Folgt Verknüpfungen zwischen Dokumenten und Knowledge-Graph-Knoten, um Fragen zu beantworten, die sich über mehrere Quellen erstrecken — ohne Prompts mit irrelevantem Kontext aufzublähen.
Ein dedizierter Reranker bewertet jeden Kandidaten gegen die ursprüngliche Abfrage und hebt die Präzision dort, wo ungefähre Antworten nicht akzeptabel sind.
Jede Aussage ist zur Quelle zurückverfolgbar — klickbare Zitate, Span-Level-Attribution und Konfidenzwerte zu jeder Antwort.
Fällt die Konfidenz unter den Schwellenwert, routet die Pipeline an einen Menschen — mit angehängter vollständiger Begründungsspur, nicht einer kahlen Rückfrage.