Agentic RAG vs RAG
Agentic RAG vs RAG is het verschil tussen één zoekopdracht en echt rondkijken. RAG betekent dat een AI eerst in je documenten zoekt voordat hij antwoordt. Standaard RAG zoekt één keer en antwoordt met wat er terugkomt. Bij agentic RAG bepaalt de AI zelf waarnaar hij zoekt, leest hij de resultaten en zoekt hij opnieuw tot hij genoeg heeft om te antwoorden.
Standaard RAG: één zoekopdracht, één antwoord
RAG staat voor retrieval-augmented generation. De stappen zijn altijd hetzelfde: één keer zoeken, de beste passages aan de AI geven, het antwoord schrijven. Zit de juiste passage tussen de resultaten, dan is het antwoord goed. Zo niet, dan zegt de AI dat hij het niet weet, of hij vult het gat met een gok.
Dit is snel, goedkoop en voorspelbaar. Veel alledaagse vragen gaan er prima mee: "Wat is onze retourtermijn?"
Agentic RAG: zoeken, controleren, opnieuw zoeken
"Agentic" betekent dat de AI zelf beoordeelt wat de volgende stap is. Hier mag hij zo vaak zoeken als nodig is. Voordat hij antwoordt, kan hij drie dingen doen.
- Een vraag in delen splitsen en voor elk deel zoeken.
- Beoordelen of de resultaten de vraag echt beantwoorden, en zo niet opnieuw proberen.
- Op meer dan één plek kijken, bijvoorbeeld in documenten en in de takenlijst.
Eén vraag, op beide manieren
Een verkoopmanager vraagt: "Hebben we geleverd wat we Hartwell in het voorjaar beloofd hebben, en staat er nog iets open?"
Standaard RAG zoekt één keer met de hele zin. Hij vindt delen van de oorspronkelijke offerte en een latere e-mail. Het antwoord beschrijft wat er beloofd is. Over wat er openstaat zegt het niets betrouwbaars, want dat staat in de takenlijst, en daar kwam de zoekopdracht niet.
Agentic RAG werkt het stap voor stap af.
- Hij ziet dat de vraag drie delen heeft: wat is er beloofd, wat is er geleverd en wat staat er open.
- Hij zoekt naar de belofte en vindt de offerte met vier onderdelen.
- Hij opent het project van de klant en leest de taken. Drie zijn klaar en één is bezig.
- Hij ziet dat de offerte ook een training noemde, maar er is geen taak die erbij past. Dus zoekt hij in de notities naar "training" en vindt een gespreksverslag waarin die naar het najaar is verschoven.
- Hij antwoordt: drie van de vier onderdelen zijn af, één is bezig en de training is in overleg uitgesteld. Hij laat zien waar elk feit vandaan komt.
Dat is het antwoord dat een zorgvuldige collega zou geven. Het kostte wel meerdere zoekopdrachten in plaats van één.
Wat de extra stappen kosten
| Standaard RAG | Agentic RAG | |
|---|---|---|
| Wachttijd | Kort | Langer |
| Kosten per vraag | Lager | Hoger |
| Vragen met meerdere delen | Zwak | Sterk |
Wanneer welke past
Standaard RAG is genoeg als de vraag uit één deel bestaat en het antwoord op één plek staat: een bedrijfsregel, een productdetail, "waar staat het document over X".
Agentic RAG is de extra tijd en kosten waard als een vraag vergelijkt, combineert of controleert: "wat is er veranderd tussen de twee versies", "welke klanten raakt deze clausule", "komt dit overeen met wat we hun verteld hebben".
Drie dingen om te eisen
- Een limiet op het aantal stappen. De AI moet na een redelijk aantal pogingen stoppen en zeggen wat hij niet kon vinden.
- Zichtbare bronnen. Je moet kunnen zien op welke documenten en gegevens het antwoord rust.
- Overal dezelfde toegangsregels. Elke zoekopdracht is beperkt tot wat de vragensteller mag zien.
Zo pakt Worknano dit aan
In Worknano is zoeken een van de hulpmiddelen die je een agent kunt geven, naast gegevens lezen en filteren en ze tellen en optellen. De AI Assistant en agents gebruiken semantisch zoeken om documenten, taken, deals, contacten en OKRs op betekenis te vinden. Ze lezen alleen de passages die ertoe doen, en kunnen een vraag doorgeven aan een andere agent als een specialist beter past. Omdat de gegevens in dezelfde workspace staan, kan een agent van een bevinding doorgaan naar een voorgestelde taak of aanpassing, binnen de rechten van de persoon die de vraag stelt.