Agentic RAG.
RAG embedded in an agent: the model rewrites queries, runs multiple searches, synthesizes results.
Agentic RAG replaces the classic one-shot RAG pipeline (query → search → answer) with a multi-step process where retrieval is a tool the agent uses repeatedly. The agent decides what to search for, how many times, and how to combine the results. The upsides: accuracy on multi-hop questions, the ability to re-search when information is missing, and self-correcting retrieval quality. The costs: latency, token spend, and complexity. In production, reranker plus agentic RAG yields the highest quality.
RAG'in agent'a entegre edilmiş hâli: model sorguyu yeniden yazar, birden çok arama yapar, sonuçları sentezler.
Agentic RAG, klasik tek-shot RAG pipeline'ının (sorgu → arama → cevap) yerine, retrieval'ı bir ajanın sürekli araç olarak kullandığı çok adımlı sürece çevirir. Ajan ne arayacağına, kaç kez arayacağına ve sonucu nasıl birleştireceğine kendi karar verir. Faydaları: çok hop'lu sorularda doğruluk, eksik bilgide tekrar arama, retrieval kalitesini self-correct etme. Maliyetleri: latency, token harcaması ve karmaşıklık. Üretimde reranker + agentic RAG kombinasyonu en yüksek kaliteyi verir.