Agentic RAG
Agentic RAG
Определение
Архитектура Retrieval-Augmented Generation, в которой агент самостоятельно решает, когда выполнять поиск, уточнять запрос или генерировать ответ, используя инструменты и многошаговые рассуждения.
Где встречается
- 2 Как вы решаете проблему lost in the middle при работе с длинными контекстами
- 11. Что такое Hypothetical Document Embeddings (HyDE) и зачем
- 42. Что такое LangGraph и зачем он нужен
- 57. Какие паттерны multi-agent систем вы знаете
- 141. В чем разница между Naive RAG, Adaptive RAG и Agentic RAG
- 142. Как вы проектируете «планировщика» (planner) для Agentic RAG
- 143. Как вы боретесь с «бесконечным циклом» агента в Agentic RAG
- 144. Как вы передаете состояние (state) между шагами агента
- 145. LangGraph vs CrewAI vs AutoGen — что вы выберете и для каких задач
- 146. Как вы обеспечиваете «человека в петле» (HITL) для критических действий агента
- 149. Как спроектировать агента, который может самоисправляться (self-correction)
- 151. Что такое тест-тайм компьютинг (Test-Time Compute) и чем он отличается от обычного инференса
- 152. В чем разница между Chain-of-Thought (CoT) и Latent Reasoning
- 153. Что такое ∇-Reasoner (nabla-reasoner) и как он использует градиентный спуск на этапе теста
- 159. Как speculative decoding взаимодействует с KV cache
- 160. Что такое Variational Speculative Decoding (VSD) и чем он революционен
- 162. Что такое Quasar и как quantized verification ускоряет инференс
- 165. Как тест-тайм компьютинг меняет MLOps
- 170. Что такое GIM (Grounded Integration Measure) и чем он отличается от GPQA
- 172. Что такое LiveIdeaBench и для чего он нужен
- 173. Как вы оцениваете креативность LLM в production
- 174. Что такое «многошаговая когерентность» (coherence illusion) в cascading agent systems
- 175. Как детектировать «объяснительно-решенческую декомпозицию»
- 181. В чем проблема «natural language bottleneck» для LLM
- 182. Что такое «схема» (schema) в контексте LLM и как она связана с языковым представлением
- 183. Назовите 4 уровня языкового представления по Yang et al. (2026) и объясните разницу.
- 184. Почему естественный язык не подходит для сложного рассуждения
- 185. Как код как язык представления улучшает рассуждение LLM
- 186. Что такое «shaping schema through language representation»
- 187. Как язык промпта (русский vs английский) влияет на схему рассуждения
- 188. Что такое «Schema-Activated In-Context Learning» (SA-ICL)
- 189. Как вы проектируете language representation для сложной задачи
- 191. Какие типы задач требуют Level 3 представления (scientific formalization)
- 192. Как вы оцениваете качество language representation для задачи
- 193. Что такое «Clone-Structured Causal Graphs» (CSCG) и как они связаны со схемами
- 195. Как вы проверяете, что модель действительно использует структуру представления, а не игнорирует ее
- 196. Как language representation связан с тест-тайм компьютингом
- 198. Какие ограничения у language representation design
- 199. Как вы combine language representation с DSPy
- 200. Что вы видите следующим горизонтом после language representation