ai-agents-for-beginners

Agentic RAG

(Klicken Sie auf das obige Bild, um das Video zu dieser Lektion anzusehen)

Agentic RAG

Diese Lektion bietet einen umfassenden Überblick über Agentic Retrieval-Augmented Generation (Agentic RAG), ein aufkommendes KI-Paradigma, bei dem große Sprachmodelle (LLMs) autonom ihre nächsten Schritte planen, während sie Informationen aus externen Quellen abrufen. Im Gegensatz zu statischen Mustern aus Abruf und anschließendem Lesen beinhaltet Agentic RAG iterative Aufrufe an das LLM, die von Tool- oder Funktionsaufrufen und strukturierten Ausgaben durchsetzt sind. Das System bewertet Ergebnisse, verfeinert Abfragen, ruft bei Bedarf zusätzliche Tools auf und setzt diesen Zyklus fort, bis eine zufriedenstellende Lösung erreicht ist.

Einführung

In dieser Lektion werden behandelt

Lernziele

Nach Abschluss dieser Lektion wissen Sie, wie man/verstehen Sie:

Was ist Agentic RAG?

Agentic Retrieval-Augmented Generation (Agentic RAG) ist ein aufkommendes KI-Paradigma, bei dem große Sprachmodelle (LLMs) autonom ihre nächsten Schritte planen, während sie Informationen aus externen Quellen abrufen. Im Gegensatz zu statischen Mustern aus Abruf und anschließendem Lesen beinhaltet Agentic RAG iterative Aufrufe an das LLM, die von Tool- oder Funktionsaufrufen und strukturierten Ausgaben durchsetzt sind. Das System bewertet Ergebnisse, verfeinert Abfragen, ruft bei Bedarf zusätzliche Tools auf und setzt diesen Zyklus fort, bis eine zufriedenstellende Lösung erreicht ist. Dieser iterative „Maker-Checker“-Stil verbessert die Korrektheit, bearbeitet fehlerhafte Abfragen und sorgt für qualitativ hochwertige Ergebnisse.

Das System übernimmt aktiv seinen Denkprozess, schreibt fehlgeschlagene Abfragen um, wählt unterschiedliche Abrufmethoden, integriert mehrere Tools – wie Vektorsuche in Azure AI Search, SQL-Datenbanken oder benutzerdefinierte APIs – bevor es seine Antwort finalisiert. Die herausragende Eigenschaft eines agentischen Systems ist seine Fähigkeit, seinen Denkprozess zu übernehmen. Traditionelle RAG-Implementierungen beruhen auf vordefinierten Pfaden, doch ein agentisches System bestimmt die Abfolge der Schritte autonom basierend auf der Qualität der gefundenen Informationen.

Definition von Agentic Retrieval-Augmented Generation (Agentic RAG)

Agentic Retrieval-Augmented Generation (Agentic RAG) ist ein aufkommendes Paradigma in der KI-Entwicklung, bei dem LLMs nicht nur Informationen aus externen Datenquellen abrufen, sondern auch autonom ihre nächsten Schritte planen. Im Gegensatz zu statischen Abruf- und Lese-Mustern oder sorgfältig gestalteten Prompt-Sequenzen beinhaltet Agentic RAG eine Schleife aus iterativen Aufrufen an das LLM, die von Tool- oder Funktionsaufrufen und strukturierten Ausgaben unterbrochen werden. Bei jedem Schritt bewertet das System die erhaltenen Ergebnisse, entscheidet, ob es seine Abfragen verfeinern soll, ruft bei Bedarf zusätzliche Tools auf und setzt diesen Zyklus fort, bis eine zufriedenstellende Lösung erreicht ist.

Dieser iterative „Maker-Checker“-Betriebsstil ist darauf ausgelegt, Korrektheit zu verbessern, mit fehlerhaften Anfragen an strukturierte Datenbanken (z. B. NL2SQL) umzugehen und ausgewogene, hochwertige Ergebnisse sicherzustellen. Anstatt sich ausschließlich auf sorgfältig ausgefeilte Prompt-Ketten zu verlassen, übernimmt das System aktiv seinen Denkprozess. Es kann fehlgeschlagene Abfragen umschreiben, unterschiedliche Abrufmethoden auswählen und mehrere Tools integrieren – wie Vektorsuche in Azure AI Search, SQL-Datenbanken oder benutzerdefinierte APIs – bevor es seine Antwort finalisiert. Dies beseitigt die Notwendigkeit für übermäßig komplexe Orchestrierungsframeworks. Stattdessen kann eine relativ einfache Schleife „LLM-Aufruf → Tool-Nutzung → LLM-Aufruf → …“ hochentwickelte und gut fundierte Ausgaben erzeugen.

Agentic RAG Core Loop

Den Denkprozess übernehmen

Die herausragende Eigenschaft, die ein System „agentisch“ macht, ist seine Fähigkeit, seinen Denkprozess zu übernehmen. Traditionelle RAG-Implementierungen sind häufig darauf angewiesen, dass Menschen einen Pfad für das Modell vorgeben: eine Chain-of-Thought, die beschreibt, was wann abgerufen werden soll. Ein wirklich agentisches System entscheidet jedoch intern, wie es das Problem angehen will. Es führt nicht einfach ein Skript aus; es bestimmt autonom die Reihenfolge der Schritte basierend auf der Qualität der Informationen, die es findet. Zum Beispiel, wenn es gebeten wird, eine Produktlancierungsstrategie zu erstellen, verlässt es sich nicht ausschließlich auf einen Prompt, der den gesamten Forschungs- und Entscheidungsworkflow vorgibt. Stattdessen entscheidet das agentische Modell eigenständig:

  1. Aktuelle Markttrendberichte mit Bing Web Grounding abzurufen
  2. Relevante Wettbewerberdaten mit Azure AI Search zu identifizieren
  3. Historische interne Verkaufskennzahlen mit Azure SQL Database zu korrelieren
  4. Die Ergebnisse zu einer kohärenten Strategie zu synthetisieren, orchestriert über Azure OpenAI Service
  5. Die Strategie auf Lücken oder Inkonsistenzen zu evaluieren und bei Bedarf eine weitere Abrufrunde einzuleiten Alle diese Schritte – Abfragen verfeinern, Quellen wählen, iterieren bis es „zufrieden“ mit der Antwort ist – werden vom Modell entschieden und nicht von einem Menschen vorab festgelegt.

Iterative Schleifen, Tool-Integration und Gedächtnis

Tool Integration Architecture

Ein agentisches System nutzt ein Schleifeninteraktionsmuster:

Mit der Zeit entsteht so ein Gefühl eines sich entwickelnden Verständnisses, das dem Modell erlaubt, komplexe, mehrstufige Aufgaben zu navigieren, ohne dass ein Mensch ständig eingreifen oder den Prompt neu gestalten muss.

Umgang mit Fehlerarten und Selbstkorrektur

Die Autonomie von Agentic RAG umfasst auch robuste Selbstkorrekturmechanismen. Wenn das System Sackgassen erreicht – wie das Abrufen irrelevanter Dokumente oder das Auftreten fehlerhafter Abfragen – kann es:

Dieser iterative und dynamische Ansatz ermöglicht es dem Modell, sich kontinuierlich zu verbessern, sodass es nicht nur ein Einmal-System ist, sondern aus seinen Fehlern während einer Sitzung lernt.

Self Correction Mechanism

Grenzen der Agentur

Trotz seiner Autonomie innerhalb einer Aufgabe ist Agentic RAG nicht mit Artificial General Intelligence vergleichbar. Seine „agentischen“ Fähigkeiten beschränken sich auf die von menschlichen Entwicklern bereitgestellten Tools, Datenquellen und Richtlinien. Es kann keine eigenen Tools erfinden oder die gesetzten Domänengrenzen überschreiten. Stattdessen ist es darin hervorragend, die zur Verfügung stehenden Ressourcen dynamisch zu orchestrieren. Wichtige Unterschiede zu fortgeschritteneren KI-Formen sind:

  1. Domänenspezifische Autonomie: Agentic RAG-Systeme konzentrieren sich darauf, nutzergedefinierte Ziele innerhalb einer bekannten Domäne zu erreichen, und verwenden Strategien wie Abfrageumformulierung oder Tool-Auswahl zur Ergebnisverbesserung.
  2. Infrastrukturabhängig: Die Fähigkeiten des Systems hängen von den von Entwicklern integrierten Tools und Daten ab. Ohne menschliches Eingreifen kann es diese Grenzen nicht überschreiten.
  3. Respekt vor Schutzvorrichtungen: Ethische Leitlinien, Compliance-Regeln und Unternehmensrichtlinien bleiben sehr wichtig. Die Freiheit des Agenten ist immer durch Sicherheitsmaßnahmen und Kontrollmechanismen beschränkt (hoffentlich).

Praktische Anwendungsfälle und Nutzen

Agentic RAG glänzt in Szenarien, die iterative Verfeinerung und Präzision erfordern:

  1. Umgebungen mit Fokus auf Korrektheit: Bei Compliance-Prüfungen, regulatorischen Analysen oder juristischer Recherche kann das agentische Modell Fakten wiederholt überprüfen, mehrere Quellen konsultieren und Abfragen umschreiben, bis es eine gründlich geprüfte Antwort liefert.
  2. Komplexe Datenbankinteraktionen: Wenn mit strukturierten Daten umgegangen wird, bei denen Abfragen oft fehlschlagen oder angepasst werden müssen, kann das System seine Abfragen eigenständig mit Azure SQL oder Microsoft Fabric OneLake verfeinern, um sicherzustellen, dass der endgültige Abruf der Intention des Nutzers entspricht.
  3. Erweiterte Workflows: Längere Sitzungen können sich weiterentwickeln, wenn neue Informationen auftauchen. Agentic RAG kann fortlaufend neue Daten einbeziehen und seine Strategien anpassen, wenn es mehr über den Problemraum erfährt.

Governance, Transparenz und Vertrauen

Da diese Systeme in ihrer Entscheidungsfindung immer autonomer werden, sind Governance und Transparenz entscheidend:

Werkzeuge, die eine klare Aufzeichnung der Aktionen bieten, sind essenziell. Ohne diese ist das Debuggen eines mehrstufigen Prozesses sehr schwierig. Siehe folgendes Beispiel von Literal AI (Firma hinter Chainlit) für einen Agentenlauf:

AgentRunExample

Fazit

Agentic RAG stellt eine natürliche Weiterentwicklung dar, wie KI-Systeme komplexe, datenintensive Aufgaben bewältigen. Durch die Übernahme eines Schleifeninteraktionsmusters, die autonome Auswahl von Werkzeugen und die Verfeinerung von Abfragen bis zur Erzielung eines hochwertigen Ergebnisses geht das System über statisches Prompt-Following hinaus und wird zu einem anpassungsfähigeren, kontextbewussteren Entscheidungsträger. Trotz der durch menschlich definierte Infrastrukturen und ethische Richtlinien gesetzten Grenzen ermöglichen diese agentischen Fähigkeiten reichhaltigere, dynamischere und letztlich nützlichere KI-Interaktionen für Unternehmen und Endanwender.

Haben Sie weitere Fragen zu Agentic RAG?

Treten Sie dem Microsoft Foundry Discord bei, um andere Lernende zu treffen, an Sprechstunden teilzunehmen und Ihre Fragen zu AI Agents beantwortet zu bekommen.

Zusätzliche Ressourcen

Wissenschaftliche Artikel

Vorherige Lektion

Tool Use Design Pattern

Nächste Lektion

Vertrauenswürdige KI-Agenten bauen

Haftungsausschluss:
Dieses Dokument wurde mit dem KI-Übersetzungsdienst Co-op Translator übersetzt. Obwohl wir uns um Genauigkeit bemühen, möchten wir darauf hinweisen, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner Originalsprache gilt als maßgebliche Quelle. Für wichtige Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Verwendung dieser Übersetzung ergeben.

This site is open source. Improve this page.