Como o RAG agêntico escolhe bases de conhecimento?

TL;DR
O RAG agêntico usa agentes para interpretar perguntas, escolher bases de conhecimento e preparar consultas antes da recuperação de informações. Ele mantém o funcionamento básico do RAG e pode acrescentar tradução, reformulação de perguntas e tratamento do texto gerado. Essas etapas ampliam as possibilidades do sistema, mas podem aumentar o tempo de resposta.
Transcript
Muito boa pergunta. O Clenio tá perguntando pra gente aqui se o hag agêntico ele é um loop de decisão ou uma arquitetura que é fundamentalmente diferente. Olha só o clênio. Veja bem, você vai ver no meu livro que o hag agêntico, ele basicamente é um hag, certo? comum por dentro dele. Só que você imagina, ó, o problema que você pode ter inicialmente... Read More
Key Insights
- O RAG agêntico mantém um RAG comum internamente e acrescenta agentes ao fluxo de processamento.
- Um agente pode interpretar a pergunta e selecionar a base de conhecimento adequada à consulta.
- Bases de direito do trabalho e direito médico podem ficar separadas e ser escolhidas pelo agente.
- A tradução da pergunta pode adequar a consulta ao idioma da base selecionada para a busca.
- O agente pode reformular perguntas simples para ajudar o retriever a buscar informações na base.
- Agentes podem atuar antes ou depois da geração, trabalhando também o texto produzido pela LLM.
- O agente pode decidir entre uma base vetorial e uma base de grafos para recuperar informações.
- O uso de agentes pode aumentar o tempo de resposta, justificando uma mensagem inicial de espera.
Install to Summarize YouTube Videos and Get Transcripts
Explore YouTube Video Summarizer or Get YouTube Transcript Extractor
Questions & Answers
Q: O que é RAG agêntico e como ele se relaciona com o RAG comum?
O RAG agêntico é apresentado como uma ampliação do RAG comum com agentes inteligentes no fluxo de processamento. Ele conserva internamente a recuperação de informações em bases de conhecimento e a geração de respostas. No exemplo explicado, um agente recebe a pergunta antes do retriever, interpreta a solicitação e decide qual base consultar. Esse agente também pode trabalhar a consulta, traduzindo ou reformulando seu conteúdo. A explicação enfatiza a continuidade com o RAG comum e mostra que agentes podem ser inseridos em diferentes etapas, inclusive antes ou depois da geração.
Q: Como o RAG agêntico escolhe entre diferentes bases de conhecimento?
O RAG agêntico pode colocar um agente antes do componente de recuperação para interpretar a pergunta do usuário e selecionar a base que será consultada. O exemplo apresentado distingue uma base jurídica voltada ao direito do trabalho de outra relacionada à medicina e ao direito médico. Essas fontes podem permanecer separadas, enquanto o agente decide onde buscar conforme o assunto solicitado. A escolha acontece antes da recuperação das informações. Assim, o fluxo descrito permite consultar bases especializadas sem exigir que seus documentos sejam misturados em uma mesma coleção.
Q: Como um agente pode melhorar a pergunta antes da busca no RAG?
Um agente pode analisar uma pergunta simples e reformulá-la antes de enviá-la ao retriever. A proposta apresentada é instruir o agente a examinar a solicitação do usuário sobre assuntos jurídicos ligados ao trabalho ou à medicina e tentar melhorar sua formulação para ajudar a busca na base de dados. Como o agente recebe a consulta antes da recuperação, ele pode trabalhar esse texto antes de encaminhá-lo. Essa possibilidade é descrita como uma maneira de buscar uma resposta melhor para o usuário, além da seleção da fonte de conhecimento.
Q: Como o RAG agêntico pode lidar com bases em idiomas diferentes?
O agente pode traduzir a pergunta para o idioma da base de conhecimento escolhida antes de realizar a recuperação. O exemplo considera uma base em inglês e outra em português. A explicação também observa que alguns modelos multilíngues usados para gerar embeddings permitem buscar informações com perguntas em diferentes idiomas, sem precisar dessa adaptação. A tradução pelo agente aparece como uma vantagem quando essa capacidade não está disponível ou quando os modelos empregados apresentam a dificuldade descrita. Portanto, o tratamento da consulta pode incluir tanto a escolha da base quanto a adequação do idioma.
Q: Como funciona a indexação no fluxo de RAG apresentado?
A indexação apresentada começa com os textos que compõem a base de conhecimento, exemplificados por documentos jurídicos da área do trabalho. Esses textos passam por um pré-processamento e são divididos em partes menores, chamadas chunks. Em seguida, são gerados embeddings, que são gravados na base vetorial. Quando o usuário faz uma pergunta, o fluxo utiliza a consulta para buscar informações nessa base. Na versão agêntica demonstrada, um agente é colocado antes do retriever para interpretar a solicitação e decidir qual conjunto de dados será usado na recuperação.
Q: Em quais etapas do RAG os agentes podem atuar?
Os agentes podem atuar em diferentes pontos do fluxo de RAG, conforme a organização apresentada. O exemplo principal coloca um agente antes da recuperação, onde ele interpreta a pergunta, escolhe a base e pode modificar a consulta. A explicação também menciona agentes antes da geração e depois dela. Quando a LLM já produziu um texto, um agente pode receber esse resultado e realizar um trabalho sobre a informação gerada. O conteúdo não detalha uma operação específica para esse tratamento posterior, mas apresenta essa posição como outra possibilidade de ampliação do RAG.
Q: O RAG agêntico pode escolher entre uma base vetorial e uma base de grafos?
O RAG agêntico pode usar um agente para decidir entre uma base de dados vetorial e uma base de dados de grafos. A explicação apresenta a possibilidade de manter uma base de grafos ao lado da base vetorial e atribuir ao agente a decisão sobre qual delas utilizar. Isso amplia o exemplo inicial, que tratava da escolha entre bases separadas por assunto jurídico. O conteúdo indica essa possibilidade de seleção entre fontes, mas não apresenta critérios técnicos detalhados, uma implementação concreta ou uma comparação de resultados entre os tipos de base.
Q: Por que o RAG agêntico pode responder mais lentamente e como comunicar a espera?
O uso de agentes acrescenta processamento ao fluxo e pode reduzir a velocidade de resposta do sistema. Antes de recuperar informações ou entregar o resultado, o agente pode interpretar a pergunta, escolher uma base e trabalhar a consulta. Para comunicar essa espera, a orientação apresentada é enviar uma mensagem imediata informando que a solicitação está sendo processada. O exemplo inclui interfaces conversacionais e mensagens pelo WhatsApp, nas quais o usuário pode aguardar a resposta após receber esse aviso. A explicação também associa essa expectativa à familiaridade com modelos que demoram enquanto processam uma solicitação.
Summary & Key Takeaways
-
O RAG agêntico amplia o RAG comum com agentes que interpretam perguntas e decidem onde buscar informações, permitindo manter bases especializadas separadas, como direito do trabalho e direito médico.
-
Antes da recuperação, um agente pode traduzir a consulta para o idioma da base ou reformular perguntas simples. Também pode escolher entre fontes diferentes, incluindo bases vetoriais e bases de grafos.
-
Agentes podem atuar antes ou depois da geração para trabalhar a informação. O processamento adicional pode tornar a resposta mais lenta, e uma mensagem de espera ajuda a comunicar isso ao usuário.
Read in Other Languages (beta)
Share This Summary 📚
Summarize YouTube Videos and Get Video Transcripts with 1-Click
Try YouTube Summary with ChatGPT & Claude or YouTube Transcript Generator
Explore More Summaries from Sandeco 📚






Summarize YouTube Videos and Get Video Transcripts with 1-Click
Try YouTube Summary with ChatGPT & Claude or YouTube Transcript Generator