Is Agentic RAG het waard? RAG-systemen zijn geëvolueerd van eenvoudige retriever-generator pipelines naar geavanceerde workflows. Het blijft onduidelijk wanneer je Enhanced RAG (vaste pipelines met speciale modules) versus Agentic RAG (LLM coördineert het hele proces dynamisch) moet gebruiken. Dit onderzoek biedt de eerste empirische vergelijking. Enhanced RAG voegt vooraf gedefinieerde componenten toe om specifieke zwaktes aan te pakken: routers om te bepalen of retrieval nodig is, query herschrijvers om de afstemming te verbeteren, en rerankers om de documentselectie te verfijnen. De workflow is vast en handmatig ontworpen. Agentic RAG neemt een andere benadering. De LLM beslist welke acties moeten worden uitgevoerd, wanneer ze moeten worden uitgevoerd en of er iteraties nodig zijn. Geen extra componenten buiten de basiskennisbasis, retriever en generator. Het model controleert alles. De onderzoekers hebben beide paradigma's geëvalueerd over vier dimensies op QA- en informatie retrieval-taken. Omgang met gebruikersintentie: Agentic presteert iets beter dan Enhanced op de meeste taken, maar Enhanced wint overtuigend op FEVER (+28.8 F1-punten), waar de agent vaak onnodig ophaalt. Query herschrijven: Agentic RAG behaalt 55.6 gemiddelde NDCG@10 vergeleken met 52.8 voor Enhanced, wat aantoont dat de agent adaptief queries kan herschrijven wanneer dat voordelig is. Documentverfijning: Enhanced RAG met reranking (49.5 NDCG@10) presteert beter dan Agentic (43.9). Toegewijde reranker-modules overtreffen iteratieve retrievalpogingen. Agentic RAG is veel gevoeliger voor de capaciteiten van het model. Bij zwakkere modellen behoudt Enhanced RAG stabiliteit terwijl de prestaties van Agentic aanzienlijk verslechteren. Kostenanalyse onthult dat Agentic RAG 2-10x meer rekentijd en tokens vereist vanwege multi-stap redenering. De keuze tussen Enhanced en Agentic RAG hangt af van jouw beperkingen. Enhanced RAG biedt voorspelbaarheid, lagere kosten en stabiliteit met zwakkere modellen. Agentic RAG biedt flexibiliteit maar vereist sterkere modellen en meer rekencapaciteit. Paper: Leer effectieve Agentic RAG-systemen te bouwen in onze academie: