Evolucija RAG: Od razširitve z iskanjem do sklepanja agentov

Leta 2026 se je RAG (Retrieval-Augmented Generation – generiranje, razširjeno z iskanjem) razvil iz »dodajanja iskalnega polja LLM-ju« v celoten sistem agentov.

Od iskanja do sklepanja

Nekdo je na X-u izpostavil ključno spremembo:

»Zgraditi AI agenta, ki je sposoben sklepati o iskanju – ne le iskati.«

To je osrednja razlika RAG 2.0. Tradicionalni RAG je dvostopenjski postopek »iskanje → generiranje«. Nova paradigma je cikel agenta »iskanje → sklepanje → ukrepanje«.

Agent ne vtakne rezultatov iskanja v prompt, ampak razume namen iskanja, oceni kakovost informacij in se odloči, ali je potrebno več iskanja. To je nadgradnja od »uporabnika orodja« do »raziskovalca«.

Vector Search 2.0

Nekdo je na X-u delil najnovejši napredek:

»Prikaz, kako z novim Vector Search 2.0 in ADK v približno 10 minutah zgraditi osnovni Agentic RAG sistem.«

Iskanje vektorjev ni več preprosto ujemanje podobnosti. Nova različica podpira:

Hibridno iskanje (vektor + ključne besede)
Večskokovno sklepanje (eno iskanje sproži drugo)
Dinamično prerazvrščanje (prilagajanje rezultatov na podlagi konteksta)

To omogoča, da se RAG razvije od »iskanja ustreznih dokumentov« do »gradnje poti znanja«.

Aplikacije LLM, pripravljene za produkcijo

Nekdo je na X-u sestavil seznam:

»Zbirka vseh aplikacij LLM, pripravljenih za produkcijo, v letu 2026. awesome-llm-apps vsebuje kodo, ki jo je mogoče neposredno kopirati in prilepiti, za RAG, agente, multimodalne aplikacije in AI SaaS izdelke.«

To odraža zrelost industrije: od »eksperimentiranja« do »šablonizacije«. Ko je aplikacije RAG mogoče kopirati in prilepiti, diferenciacija ni več sama tehnologija, ampak kakovost podatkov in razumevanje poslovanja.

100+ knjižnic orodij LLM

Nekdo je na X-u sestavil:

»Komplet orodij za inženiring LLM: Izbran seznam 100+ knjižnic in ogrodij LLM za usposabljanje, fino nastavitev, gradnjo, ocenjevanje, uvajanje, RAG in AI agente.«

Razdrobljenost orodjarne je priložnost in breme. V vsakem koraku je več možnosti:

Vektorske baze podatkov: Pinecone, Weaviate, Milvus, pgvector...
Okvirji: LangChain, LlamaIndex, Haystack...
Ocenjevanje: RAGAS, TruLens, Arize...

Več kot je izbire, višji so stroški odločanja.

Izbira med RAG in fino nastavitvijo

Na X-u obstajajo projekti, namenjeni posebej:

»Projekti RAG in fino nastavitve za LLM.«

To je najpogostejša zmeda podjetij: Kdaj uporabiti RAG? Kdaj fino nastaviti?

Preprosto pravilo:

RAG: znanje se pogosto spreminja, zahteva sklicevanje na vire, občutljivost na stroške
Fino nastavitev: fiksni slog/format, specifičen način sklepanja, občutljivost na zakasnitev

Večina poslovnih aplikacij je bolj primerna za RAG, ker se poslovno znanje posodablja veliko hitreje kot cikel usposabljanja modela.

Bistvo

Tri ključne spremembe RAG v letu 2026:

Od iskanja do sklepanja: Agent ne išče samo, ampak sklepa o postopku iskanja
Od šablone do produkcije: Na voljo je koda za kopiranje in lepljenje, diferenciacija je v podatkih in poslovanju
Od izbire do odločitve: Preveč orodij, prava sposobnost je izbira prave kombinacije

RAG ni več »dodajanje zunanjega vtičnika LLM-ju«, ampak gradnja inteligentnega sistema z mejami znanja. Meje znanja določajo, katere probleme lahko agent reši, kakovost iskanja pa določa natančnost odgovora.

LLM brez RAG je »inteligenten, a brez znanja«. LLM z RAG je »inteligenten in ima znanje«. LLM z Agentic RAG je »inteligenten, ima znanje in se lahko samostojno uči«.

Vprašanje je: kje so vaše meje znanja?