هل تستحق Agentic RAG العناء؟ تطورت أنظمة RAG من خطوط أنابيب بسيطة تعتمد على المولدات المسترجعة إلى سير عمل متقدم. لا يزال من غير الواضح متى تستخدم Enhanced RAG (خطوط أنابيب ثابتة مع وحدات مخصصة) مقابل Agentic RAG (حيث يقوم LLM بتنسيق العملية بأكملها بشكل ديناميكي). توفر هذه الدراسة أول مقارنة تجريبية. يضيف Enhanced RAG مكونات محددة مسبقا لمعالجة نقاط ضعف محددة: أجهزة توجيه لتحديد ما إذا كانت هناك حاجة للاسترجاع، وأجهزة إعادة كتابة الاستعلام لتحسين المحاذاة، وأجهزة إعادة ترتيب لتحسين اختيار المستندات. سير العمل ثابت ومصمم يدويا. تتبع Agentic RAG نهجا مختلفا. يقرر نموذج اللغة الكبيرة أي الإجراءات يجب تنفيذها، ومتى يجب تنفيذها، وما إذا كان يجب تكرارها. لا توجد مكونات إضافية سوى قاعدة المعرفة الأساسية، والاسترجاع، والمولد. النموذج يتحكم في كل شيء. قام الباحثون بتقييم النموذجين عبر أربعة أبعاد في مهام ضمان الجودة واسترجاع المعلومات. التعامل مع نوايا المستخدم: يتفوق العامل قليلا على المحسن في معظم المهام، لكن المعزز يفوز بشكل حاسم في التقييم العالي (+28.8 نقطة F1)، حيث غالبا ما يستعيد الوكيل المكافآت دون داع. إعادة كتابة الاستعلام: يحقق RAG الوكلاء متوسط NDCG@10 55.6 مقارنة ب 52.8 للاستعلامات المحسنة، مما يظهر أن الوكيل يمكنه إعادة كتابة الاستعلامات بشكل تكيفي عندما يكون ذلك مفيدا. تحسين المستندات: معدل RAG المحزن مع إعادة الترتيب (49.5 NDCG@10) يتفوق على Agentic (43.9). وحدات إعادة ترتيب مخصصة تتفوق على محاولات الاسترجاع التكرارية. Agentic RAG أكثر حساسية بكثير لقدرات النماذج. مع النماذج الأضعف، يحافظ Enhanced RAG على الاستقرار بينما يتدهور أداء Agentic بشكل كبير. يكشف تحليل التكاليف أن Agentic RAG يتطلب وقتا حسابيا ورمزا إضافيين بمقدار 2-10 مرات بسبب التفكير متعدد الخطوات. الاختيار بين Enhanced RAG وAgentic RAG يعتمد على قيودك. يوفر التحليل المغناطيسي المحسن قابلية للتنبؤ وتكاليف أقل واستقرارا مع نماذج أضعف. يوفر RAG الوكيل مرونة لكنه يتطلب نماذج أقوى وحوسبة أكبر. الورقة: تعلم كيفية بناء أنظمة RAG الوكلاء الفعالة في أكاديميتنا: