RAG + Agentic AI: ก้าวต่อไปหลังจาก Basic RAG

จาก RAG ธรรมดา สู่ Agentic RAG

Basic RAG ทำงานแบบ fixed pipeline: query → retrieve → generate

Agentic RAG ให้ AI ตัดสินใจ ว่าจะ retrieve อย่างไร จากที่ไหน และกี่ครั้ง

ข้อจำกัดของ Basic RAG

• Retrieve แค่ครั้งเดียวอาจไม่พอสำหรับคำถามซับซ้อน
• ไม่สามารถ reformulate query ถ้า results ไม่ดี
• ไม่รู้ว่าต้องดึงจาก source ไหน

Agentic RAG Patterns

1. Iterative Retrieval

Query → Retrieve → Evaluate quality →

If insufficient: Reformulate → Retrieve again

Until: Good enough context found

2. Multi-source Routing

Query → Classify intent →

Route to: [Database A | Web Search | Document Store | API]

Aggregate results → Generate

3. Self-correcting RAG

Generate answer → Verify against sources →

If hallucination detected: Retrieve more → Regenerate

Tools สำหรับ Agentic RAG

• LangGraph: สร้าง stateful RAG agent
• LlamaIndex Agents: RAG + tool use
• AutoGen: Multi-agent RAG systems

ตัวอย่าง: LangGraph Agentic RAG

python

from langgraph.graph import StateGraph

workflow = StateGraph(State)

workflow.add_node("retrieve", retrieve_node)

workflow.add_node("grade_documents", grade_node)

workflow.add_node("generate", generate_node)

workflow.add_node("web_search", web_search_node)

Conditional edges based on quality

workflow.add_conditional_edges("grade_documents", decide_to_generate)

สรุป

Agentic RAG เหมาะกับ use cases ที่ต้องการ accuracy สูงมากและ query ซับซ้อน แลกกับ latency และ cost ที่เพิ่มขึ้น เลือกใช้เมื่อ basic RAG ไม่เพียงพอ