Agentic RAG

## ความแตกต่างจาก RAG แบบดั้งเดิม RAG pipeline มาตรฐานทำงานในรูปแบบเส้นตรง คือ "คำถามของผู้ใช้ → การค้นหาเวกเตอร์ → ส่งเอกสารที่ดึงมาให้ LLM → สร้างคำตอบ" หากเจตนาของคำถามชัดเจนและสามารถดึงข้อมูลที่ต้องการได้ในการค้นหาครั้งเดียว วิธีนี้ก็เพียงพอ แต่ในทางปฏิบัติ มักเกิดกรณีที่การค้นหาเพียงครั้งเดียวไม่สามารถรวบรวมข้อมูลที่จำเป็นได้ครบถ้วน ใน Agentic RAG ตัว LLM เองจะเป็นผู้ตัดสินใจว่า "ผลการค้นหาเพียงพอหรือไม่" และ "ควรเปลี่ยน query หรือไม่" จากนั้นจะเขียน query ใหม่หรือสอบถามจาก data source อื่นตามความจำเป็น ด้วยการผนวก multi-step reasoning เข้าไป จึงสามารถรวบรวมและบูรณาการข้อมูลหลายชิ้นอย่างเป็นขั้นตอน เพื่อประกอบเป็นคำตอบสุดท้ายได้ ## มีประสิทธิภาพในสถานการณ์ใดบ้าง ลองพิจารณาตัวอย่างการสอบถาม knowledge base ภายในองค์กร คำถามอย่าง "เทมเพลตการเสนอขายที่ใช้ในดีลยอดขายสูงสุด 3 อันดับของเดือนที่แล้วคืออะไร" นั้นต้องการหลายขั้นตอน ได้แก่ การค้นหาข้อมูลยอดขาย → การระบุดีล → การค้นหาเอกสารเสนอขายของแต่ละดีล การที่ agent รับผิดชอบการแยกย่อยและการค้นหาตามลำดับนี้ ทำให้ผู้ใช้ได้รับคำตอบจากคำถามเพียงครั้งเดียว อย่างไรก็ตาม ยิ่ง agent วนลูปมากขึ้นเท่าใด latency และ token cost ก็จะสูงขึ้นตามลำดับ การกำหนดขีดจำกัดจำนวนลูป และการออกแบบให้ส่งคืนความคืบหน้าระหว่างทางผ่าน streaming ถือเป็นสิ่งที่ขาดไม่ได้ในการใช้งานจริง