Vale a pena o Agentic RAG? Os sistemas RAG evoluíram de simples pipelines de recuperador-gerador para fluxos de trabalho sofisticados. Continua a não estar claro quando usar o Enhanced RAG (pipelines fixos com módulos dedicados) em vez do Agentic RAG (LLM orquestra todo o processo de forma dinâmica). Esta pesquisa fornece a primeira comparação empírica. O Enhanced RAG adiciona componentes pré-definidos para abordar fraquezas específicas: routers para determinar se a recuperação é necessária, reescritores de consultas para melhorar o alinhamento e rerankers para refinar a seleção de documentos. O fluxo de trabalho é fixo e engenheirado manualmente. O Agentic RAG adota uma abordagem diferente. O LLM decide quais ações realizar, quando realizá-las e se deve iterar. Não há componentes extras além da base de conhecimento básica, recuperador e gerador. O modelo controla tudo. Os pesquisadores avaliaram ambos os paradigmas em quatro dimensões em tarefas de QA e recuperação de informações. Tratamento da intenção do usuário: o Agentic supera ligeiramente o Enhanced na maioria das tarefas, mas o Enhanced vence decisivamente no FEVER (+28.8 pontos F1), onde o agente frequentemente recupera desnecessariamente. Reescrita de consultas: o Agentic RAG alcança 55.6 de NDCG@10 em média, comparado a 52.8 para o Enhanced, mostrando que o agente pode reescrever consultas de forma adaptativa quando benéfico. Refinamento de documentos: o Enhanced RAG com reranking (49.5 NDCG@10) supera o Agentic (43.9). Módulos de reranker dedicados superam tentativas de recuperação iterativa. O Agentic RAG é muito mais sensível à capacidade do modelo. Com modelos mais fracos, o Enhanced RAG mantém a estabilidade enquanto o desempenho do Agentic degrada significativamente. A análise de custos revela que o Agentic RAG requer de 2 a 10 vezes mais tempo de computação e tokens devido ao raciocínio em múltiplas etapas. A escolha entre Enhanced e Agentic RAG depende das suas restrições. O Enhanced RAG oferece previsibilidade, custos mais baixos e estabilidade com modelos mais fracos. O Agentic RAG proporciona flexibilidade, mas requer modelos mais fortes e mais computação. Artigo: Aprenda a construir sistemas Agentic RAG eficazes na nossa academia: