ai-agents-for-beginners

Agentic RAG

(Klik op de afbeelding hierboven om de video van deze les te bekijken)

Agentic RAG

Deze les geeft een uitgebreid overzicht van Agentic Retrieval-Augmented Generation (Agentic RAG), een opkomend AI-paradigma waarbij grote taalmodellen (LLM’s) autonoom hun volgende stappen plannen terwijl ze informatie uit externe bronnen halen. In tegenstelling tot statische retrieval-en-then-lees patronen omvat Agentic RAG iteratieve oproepen naar de LLM, afgewisseld met tools- of functieverzoeken en gestructureerde outputs. Het systeem evalueert resultaten, verfijnt queries, roept indien nodig extra tools aan en zet deze cyclus voort tot een bevredigende oplossing is bereikt.

Introductie

In deze les behandelen we

Leerdoelen

Na het voltooien van deze les weet je hoe/begrijp je:

Wat is Agentic RAG?

Agentic Retrieval-Augmented Generation (Agentic RAG) is een opkomend AI-paradigma waarbij grote taalmodellen (LLM’s) autonoom hun volgende stappen plannen terwijl ze informatie uit externe bronnen halen. In tegenstelling tot statische retrieval-en-then-lees patronen omvat Agentic RAG iteratieve oproepen naar de LLM, afgewisseld met tool- of functieverzoeken en gestructureerde outputs. Het systeem evalueert resultaten, verfijnt queries, roept indien nodig extra tools aan en zet deze cyclus voort tot een bevredigende oplossing is bereikt. Deze iteratieve “maker-checker” stijl verbetert de correctheid, handelt verkeerd gevormde queries af en zorgt voor resultaten van hoge kwaliteit.

Het systeem beheert actief zijn redeneringsproces, herschrijft mislukte queries, kiest verschillende methoden voor informatieophaling en integreert meerdere tools—zoals vectorzoekopdrachten in Azure AI Search, SQL-databases, of aangepaste API’s—voordat het zijn antwoord finaliseert. Het onderscheidende kenmerk van een agentisch systeem is het vermogen om eigenaar te zijn van zijn redeneringsproces. Traditionele RAG-implementaties vertrouwen op vooraf gedefinieerde paden, maar een agentisch systeem bepaalt autonoom de volgorde van stappen op basis van de kwaliteit van de gevonden informatie.

Definitie van Agentic Retrieval-Augmented Generation (Agentic RAG)

Agentic Retrieval-Augmented Generation (Agentic RAG) is een opkomend paradigma in AI-ontwikkeling waarbij LLM’s niet alleen informatie uit externe databronnen halen maar ook autonoom hun volgende stappen plannen. In tegenstelling tot statische retrieval-en-then-lees patronen of zorgvuldig gescripte promptsequenties, omvat Agentic RAG een lus van iteratieve oproepen naar de LLM, afgewisseld met tool- of functieverzoeken en gestructureerde outputs. Bij elke stap evalueert het systeem de verkregen resultaten, besluit het of het zijn queries moet verfijnen, roept het indien nodig extra tools aan en zet deze cyclus voort tot een bevredigende oplossing wordt bereikt.

Deze iteratieve “maker-checker” stijl van werken is ontworpen om correctheid te verbeteren, verkeerd gevormde queries naar gestructureerde databases aan te pakken (bijv. NL2SQL) en gebalanceerde, hoogwaardige resultaten te verzekeren. In plaats van alleen te vertrouwen op zorgvuldig ontworpen promptketens, beheert het systeem actief zijn redeneringsproces. Het kan queries herschrijven die mislukken, verschillende informatieophaaldmethoden kiezen en meerdere tools integreren—zoals vectorzoekopdrachten in Azure AI Search, SQL-databases of aangepaste API’s—voordat het zijn antwoord finaliseert. Dit elimineert de noodzaak voor overdreven complexe orkestratiekaders. In plaats daarvan kan een relatief eenvoudige lus van “LLM-aanroep → tool-gebruik → LLM-aanroep → …” geavanceerde en goed onderbouwde outputs opleveren.

Agentic RAG Core Loop

Eigenaar zijn van het Redeneringsproces

De onderscheidende eigenschap die een systeem “agentisch” maakt, is het vermogen om eigenaar te zijn van zijn redeneringsproces. Traditionele RAG-implementaties zijn vaak afhankelijk van mensen die een pad voor het model vooraf definiëren: een denkbeeldige keten die aangeeft wat wanneer moet worden opgehaald. Maar wanneer een systeem echt agentisch is, beslist het intern hoe het het probleem benadert. Het voert niet alleen een script uit; het bepaalt autonoom de volgorde van stappen op basis van de kwaliteit van de gevonden informatie. Bijvoorbeeld, als het wordt gevraagd een productlanceringsstrategie te creëren, vertrouwt het niet alleen op een prompt die de hele onderzoeks- en besluitvormingsworkflow uitwerkt. In plaats daarvan beslist het agentische model zelfstandig om:

  1. Huidige markttrendrapporten op te halen met behulp van Bing Web Grounding
  2. Relevante gegevens van concurrenten te identificeren met Azure AI Search.
  3. Historische interne verkoopstatistieken te correleren met Azure SQL Database.
  4. De bevindingen te synthetiseren tot een samenhangende strategie, georkestreerd via Azure OpenAI Service.
  5. De strategie te evalueren op hiaten of inconsistenties, en indien nodig een nieuwe ronde van informatieophaling in te zetten. Al deze stappen—queries verfijnen, bronnen kiezen, itereren tot het “tevreden” is met het antwoord—worden door het model beslist, niet vooraf door een mens gescript.

Iteratieve Lussen, Tool-Integratie en Geheugen

Tool Integration Architecture

Een agentisch systeem vertrouwt op een gelust interactiepatroon:

In de loop der tijd creëert dit een gevoel van evoluerend begrip, waardoor het model complexe, meervoudige stap-taken kan navigeren zonder dat een mens constant hoeft in te grijpen of de prompt opnieuw hoeft vorm te geven.

Omgaan met Foutmodi en Zelfcorrectie

De autonomie van Agentic RAG omvat ook robuuste zelfcorrectiemechanismen. Wanneer het systeem vastloopt—bijvoorbeeld door het ophalen van irrelevante documenten of het tegenkomen van verkeerd gevormde queries—kan het:

Deze iteratieve en dynamische aanpak stelt het model in staat continu te verbeteren, waardoor het niet slechts een eenmalig systeem is, maar een dat leert van zijn misstappen tijdens een sessie.

Self Correction Mechanism

Grenzen van Agentie

Ondanks zijn autonomie binnen een taak is Agentic RAG niet analoog aan Kunstmatige Algemene Intelligentie. Zijn “agentische” capaciteiten zijn beperkt tot de tools, databronnen en beleidsregels die door menselijke ontwikkelaars worden geleverd. Het kan zijn eigen tools niet uitvinden of buiten de domeingrenzen stappen die zijn gesteld. In plaats daarvan blinkt het uit in het dynamisch orkestreren van de beschikbare resources. Belangrijke verschillen ten opzichte van meer geavanceerde AI-vormen zijn:

  1. Domeinspecifieke Autonomie: Agentic RAG-systemen zijn gericht op het bereiken van door gebruikers gedefinieerde doelen binnen een bekend domein, waarbij strategieën zoals het herschrijven van queries of het kiezen van tools worden gebruikt om resultaten te verbeteren.
  2. Afhankelijk van Infrastructuur: De capaciteiten van het systeem hangen af van de tools en gegevens die door ontwikkelaars zijn geïntegreerd. Het kan deze grenzen niet overschrijden zonder menselijke tussenkomst.
  3. Respect voor Veiligheidsmaatregelen: Ethische richtlijnen, nalevingsregels en bedrijfsbeleid blijven erg belangrijk. De vrijheid van de agent wordt altijd beperkt door veiligheidsmaatregelen en toezichtmechanismen (hopelijk?).

Praktische Gebruikssituaties en Waarde

Agentic RAG blinkt uit in scenario’s die iteratieve verfijning en precisie vereisen:

  1. Omgevingen die Correctheid Prioriteren: In compliance-controles, regelgeving-analyse of juridisch onderzoek kan het agentische model feiten herhaaldelijk verifiëren, meerdere bronnen raadplegen en queries herschrijven totdat het een grondig getoetst antwoord levert.
  2. Complexe Database-Interactie: Bij het omgaan met gestructureerde gegevens waarbij queries vaak kunnen falen of aanpassing nodig hebben, kan het systeem zelfstandig zijn queries verfijnen met Azure SQL of Microsoft Fabric OneLake, om te verzekeren dat de uiteindelijke zoekopdracht overeenkomt met de intentie van de gebruiker.
  3. Uitgebreide Workflows: Langdurige sessies kunnen evolueren naarmate nieuwe informatie beschikbaar komt. Agentic RAG kan continu nieuwe data verwerken en strategieën aanpassen naarmate het meer leert over het probleemgebied.

Bestuur, Transparantie en Vertrouwen

Naarmate deze systemen autonomer worden in hun redenering, zijn bestuur en transparantie cruciaal:

Het hebben van tools die een duidelijk overzicht geven van acties is essentieel. Zonder deze tools kan het debuggen van een meerstapsproces erg moeilijk zijn. Zie het volgende voorbeeld van Literal AI (bedrijf achter Chainlit) voor een Agent-run:

AgentRunExample

Conclusie

Agentic RAG vertegenwoordigt een natuurlijke evolutie in de manier waarop AI-systemen complexe, data-intensieve taken afhandelen. Door het aannemen van een gelust interactiepatroon, zelfstandig tools te selecteren en queries te verfijnen totdat een hoogwaardige uitkomst bereikt is, beweegt het systeem verder dan statisch promptvolgen naar een meer adaptieve, contextbewuste besluitvormer. Hoewel het nog steeds gebonden is aan door mensen gedefinieerde infrastructuren en ethische richtlijnen, maken deze agentische capaciteiten rijkere, dynamischere en uiteindelijk nuttigere AI-interacties mogelijk voor zowel bedrijven als eindgebruikers.

Meer vragen over Agentic RAG?

Word lid van de Microsoft Foundry Discord om andere lerenden te ontmoeten, office hours bij te wonen en antwoord te krijgen op je vragen over AI Agents.

Aanvullende Bronnen

Academische Artikelen

Deze Agent Testen (optioneel)

Nadat je hebt geleerd hoe je agents inzet in Les 16, kun je deze les’s TravelRAGAgent testen — controleren of de antwoorden blijven gebaseerd op de kennisbank — met tests/lesson-05-smoke-tests.json. Zie tests/README.md voor hoe je het uitvoert.

Vorige Les

Tool Use Design Pattern

Volgende Les

Betrouwbare AI-agents bouwen

Disclaimer: Dit document is vertaald met behulp van de AI vertaaldienst Co-op Translator. Hoewel we streven naar nauwkeurigheid, dient u er rekening mee te houden dat geautomatiseerde vertalingen fouten of onnauwkeurigheden kunnen bevatten. Het originele document in de oorspronkelijke taal moet worden beschouwd als de gezaghebbende bron. Voor kritieke informatie wordt professionele menselijke vertaling aanbevolen. Wij zijn niet aansprakelijk voor eventuele misverstanden of verkeerde interpretaties die voortvloeien uit het gebruik van deze vertaling.

This site is open source. Improve this page.