Apakah Agentic RAG sepadan? Sistem RAG telah berevolusi dari pipa retriever-generator sederhana menjadi alur kerja yang canggih. Masih belum jelas kapan harus menggunakan RAG yang Ditingkatkan (alur tetap dengan modul khusus) versus RAG Agen (LLM mengatur seluruh proses secara dinamis). Penelitian ini memberikan perbandingan empiris pertama. RAG yang disempurnakan menambahkan komponen yang telah ditentukan sebelumnya untuk mengatasi kelemahan tertentu: router untuk menentukan apakah pengambilan diperlukan, penulis ulang kueri untuk meningkatkan penyelarasan, dan rerank untuk menyempurnakan pemilihan dokumen. Alur kerja tetap dan direkayasa secara manual. Agentic RAG mengambil pendekatan yang berbeda. LLM memutuskan tindakan mana yang akan dilakukan, kapan harus melakukannya, dan apakah akan meneleterasi. Tidak ada komponen tambahan di luar basis pengetahuan dasar, retriever, dan generator. Model mengontrol segalanya. Para peneliti mengevaluasi kedua paradigma di empat dimensi pada QA dan tugas pengambilan informasi. Penanganan maksud pengguna: Agen sedikit mengungguli Enhanced pada sebagian besar tugas, tetapi Enhanced menang dengan tegas pada FEVER (+28,8 poin F1), di mana agen sering mengambil secara tidak perlu. Penulisan ulang kueri: RAG Agen mencapai NDCG@10 rata-rata 55,6 dibandingkan dengan 52,8 untuk Enhanced, menunjukkan agen dapat menulis ulang kueri secara adaptif saat bermanfaat. Penyempurnaan dokumen: RAG yang disempurnakan dengan peringkat ulang (49,5 NDCG@10) mengungguli Agentic (43,9). Modul reranker khusus mengalahkan upaya pengambilan berulang. RAG agen jauh lebih sensitif terhadap kemampuan model. Dengan model yang lebih lemah, RAG yang Ditingkatkan menjaga stabilitas sementara kinerja Agentic menurun secara signifikan. Analisis biaya mengungkapkan Agentic RAG membutuhkan waktu komputasi dan token 2-10x lebih banyak karena penalaran multi-langkah. Pilihan antara RAG yang Disempurnakan dan Agen tergantung pada kendala Anda. RAG yang ditingkatkan menawarkan prediktabilitas, biaya lebih rendah, dan stabilitas dengan model yang lebih lemah. RAG Agen memberikan fleksibilitas tetapi membutuhkan model yang lebih kuat dan lebih banyak komputasi. Kertas: Belajar membangun sistem RAG Agen yang efektif di akademi kami: