Agentic RAG
RAGAgentic RAG lässt KI-Agenten eigenständig entscheiden, wann und wie sie Informationen abrufen — für komplexe, mehrstufige Recherche- und Entscheidungsaufgaben.
Was ist Agentic RAG?
Klassisches RAG folgt einem festen Ablauf: Anfrage → Retrieval → Antwort. Agentic RAG übergibt die Kontrolle über diesen Ablauf an einen KI-Agenten, der eigenständig plant: Er analysiert die Anfrage, entscheidet, welche Quellen er abruft, bewertet die Ergebnisse, stellt ggf. Folgeanfragen und iteriert so lange, bis er eine vollständige Antwort zusammenstellen kann.
Der Agent verfügt über Werkzeuge — mehrere Retrieval-Quellen, Berechnungen, externe APIs — und wählt dynamisch aus, welches Werkzeug er in welcher Reihenfolge einsetzt. Das ermöglicht die Beantwortung von Fragen, die mehrere Informationsquellen und Zwischenschlussfolgerungen erfordern.
Typische Fähigkeiten eines Agentic-RAG-Systems
Ein Agentic-RAG-System kann in einer Konversation:
- Fragen in Teilfragen zerlegen und jede separat recherchieren (Query Decomposition).
- Zwischen mehreren Wissensspeichern wählen — z. B. interne Datenbank für Produktfakten, Internet für aktuelle Nachrichten.
- Retrieval-Ergebnisse auf Vollständigkeit prüfen und bei Bedarf weitere Suchrunden starten.
- Zwischenergebnisse zwischenspeichern und für spätere Schritte verwenden — ähnlich wie ein menschlicher Analyst.
- Selbstständig abbrechen und Rückfragen stellen, wenn die Informationslage unzureichend ist.
Wann klassisches RAG nicht ausreicht
Eine Anfrage wie „Erstelle eine Zusammenfassung aller offenen Lieferantenrisiken mit Bezug auf aktuelle Marktentwicklungen” überfordert statisches RAG. Ein Agentic-RAG-System plant die Recherche, kombiniert interne und externe Quellen und liefert ein strukturiertes Ergebnis.
Relevanz für den Mittelstand
Für Aufgaben wie automatisierte Wettbewerbsanalysen, Recherche für Angebotserstellung oder die Beantwortung komplexer Kundenanfragen bietet Agentic RAG echten Mehrwert. Allerdings steigen Komplexität, Laufzeit und Kosten gegenüber einfachem RAG. Für den Einstieg empfiehlt sich ein klarer Anwendungsfall mit definierten Werkzeugen, bevor vollständig autonome Agenten eingesetzt werden.
← Zurück zum Glossar