RAG (Retrieval-Augmented Generation) to sposób, w jaki model AI odpowiada na podstawie Twoich dokumentów: system najpierw wyszukuje pasujące fragmenty w bazie wiedzy, a potem przekazuje je modelowi jako kontekst do odpowiedzi. W klasycznym RAG ta ścieżka jest stała: jedno wyszukiwanie, jedna odpowiedź. W agentic RAG decyzje podejmuje agent AI: sam wybiera źródło (dokumenty, baza SQL, API), może przeformułować pytanie, wyszukać kilka razy i sprawdzić, czy odpowiedź jest kompletna. Agentic RAG lepiej radzi sobie ze złożonymi pytaniami, ale jest wolniejszy, droższy i trudniejszy w testowaniu.
Klasyczny RAG a agentic RAG
| Klasyczny RAG | Agentic RAG | |
|---|---|---|
| Przebieg | Pytanie → wyszukiwanie → odpowiedź | Agent planuje, wyszukuje, ocenia wynik, w razie potrzeby szuka ponownie |
| Źródła | Zwykle jedna baza wektorowa | Kilka źródeł: dokumenty, bazy SQL, API, wyszukiwarka |
| Pytania | Proste, odpowiedź w jednym miejscu | Złożone, wymagające połączenia kilku informacji |
| Czas i koszt | Szybki, tani, przewidywalny | Kilka wywołań modelu, wyższy koszt i opóźnienie |
| Testowanie | Łatwe, stała ścieżka | Trudniejsze, ścieżka zależy od decyzji agenta |
Kiedy wystarczy klasyczny RAG
Gdy pytania dotyczą jednej bazy wiedzy, a odpowiedź zwykle jest w jednym lub dwóch fragmentach: instrukcje, regulaminy, oferta, FAQ produktu. Tak działa większość chatbotów obsługi klienta. Jakość zależy tu głównie od przygotowania dokumentów: podziału na fragmenty, metadanych i aktualności treści.
Kiedy agentic RAG ma sens
- Pytanie wymaga danych z kilku miejsc, np. „jaki jest status zamówień klienta X i czy mają opóźnienia?” (CRM + system zamówień + dokumenty dostaw).
- Część danych jest w bazie SQL lub API, a nie w dokumentach.
- Użytkownicy zadają pytania nieprecyzyjnie i trzeba je doprecyzować lub rozbić na kilka wyszukiwań.
Jak zbudować RAG w n8n
- Indeksowanie: workflow pobiera dokumenty, dzieli je na fragmenty, tworzy embeddingi i zapisuje w bazie wektorowej (np. Qdrant, PGVector).
- Klasyczny RAG: łańcuch Question and Answer Chain z retrieverem z tej bazy.
- Agentic RAG: węzeł AI Agent z kilkoma narzędziami: wyszukiwaniem w bazie wektorowej, zapytaniem SQL, wywołaniem API. Agent sam decyduje, które wywołać.
- Kontrola: odpowiedź zawiera źródła, a gdy agent nie znajdzie informacji, mówi to wprost.
Więcej o węzłach AI w artykule n8n i LangChain. Przykład wdrożenia: chatbot AI z RAG dla Ataszek.pl.
Jak ograniczyć halucynacje
- Instrukcja: odpowiadaj tylko na podstawie znalezionych fragmentów, w przeciwnym razie powiedz „nie wiem”.
- Pokazuj źródło każdej odpowiedzi, żeby użytkownik mógł je sprawdzić.
- Utrzymuj aktualność bazy: automatyczna reindeksacja po zmianie dokumentu.
- Testuj na zestawie pytań z oczekiwanymi odpowiedziami po każdej zmianie.
RAG w Twojej firmie
Budujemy asystentów i chatboty odpowiadające na podstawie dokumentów firmy, w wersji klasycznej i agentowej. Zobacz usługi chatbotów i wdrożenia AI albo umów bezpłatną konsultację.