Apa itu Agentic RAG (RAG Berbasis Agen Otonom)?

Apa itu Agentic RAG?

Agentic RAG (Agentic Retrieval-Augmented Generation) adalah paradigma arsitektur pencarian informasi berbasis AI di mana model bahasa bertindak sebagai agen otonom yang memegang kendali atas alur retrieval, verifikasi bukti, dan sintesis jawaban.

Dalam RAG konvensional (Naive RAG), alur kerja bersifat statis dan linier: pertanyaan pengguna diubah menjadi vektor, dicari kesamaannya di database vektor, lalu sejumlah potongan teks (chunks) langsung diserahkan ke LLM untuk dijawab dalam satu kali proses. Kelemahan pendekatan linier ini adalah jika pencarian awal menghasilkan dokumen yang tidak relevan atau tidak lengkap, model tetap dipaksa menjawab sehingga berisiko menghasilkan halusinasi.

Agentic RAG mengatasi keterbatasan tersebut dengan menyematkan loop penalaran (reasoning loop). Model secara aktif mengevaluasi apakah dokumen yang ditemukan sudah menjawab pertanyaan, menentukan apakah perlu mencari ulang dengan kata kunci alternatif, atau bahkan memutuskan untuk memanggil alat bantu lain seperti kalkulator atau mesin pencari web.

Cara kerja Agentic RAG

Alur kerja Agentic RAG mengadopsi pola penalaran berulang:

1. Analisis Kueri dan Perutean (Routing): Agen membaca pertanyaan dan menentukan sumber data mana yang paling tepat diakses (misalnya database vektor internal, basis data relasional SQL, atau API pihak ketiga).
2. Pengambilan Dokumen Awal (Retrieval): Sistem mengambil kandidat dokumen berdasarkan kueri pengguna.
3. Evaluasi Mandiri (Self-Reflection / Grading): Agen memeriksa relevansi potongan dokumen yang diperoleh. Jika dokumen terbukti mengandung informasi yang salah atau di luar topik, dokumen tersebut disaring.
4. Reformulasi Kueri (Query Rewriting): Jika bukti yang terkumpul belum cukup menjawab pertanyaan kompleks, agen merumuskan kueri pencarian baru yang lebih spesifik dan mengulangi pencarian.
5. Sintesis Jawaban Terverifikasi: Agen menyusun jawaban final hanya setelah bukti pendukung dinilai memadai dan konsisten.

Perbedaan RAG Standar vs Agentic RAG

Parameter	RAG Konvensional	Agentic RAG
Alur Eksekusi	Linier satu arah (Fixed Pipeline)	Dinamis dan bersiklus (Iterative Loops)
Penanganan Hasil Buruk	Pasif (langsung diproses ke model)	Aktif mengevaluasi dan mencari ulang
Pilihan Alat Pencarian	Terbatas pada satu vector store	Mampu memilih dari berbagai tool & database
Kemampuan Multitugas	Menjawab satu kueri sederhana	Memecah pertanyaan kompleks menjadi sub-tugas
Biaya & Latensi	Rendah dan cepat	Lebih tinggi karena panggilan LLM berulang

Contoh skenario penerapan

Misalkan pengguna mengajukan pertanyaan analitis:

"Bandingkan pertumbuhan laba bersih PT Semesta pada kuartal 2 tahun 2025 dengan target yang ditetapkan dalam laporan RUPS awal tahun."

• Pada RAG standar, pencarian vektor sering kali hanya menemukan salah satu laporan (misalnya laporan Q2 saja), sehingga perbandingan gagal dibuat tuntas.
• Pada Agentic RAG, agen memecah masalah menjadi dua sub-kueri terpisah:
  1. Ambil laba bersih Q2 2025 PT Semesta dari dokumen laporan keuangan.
  2. Ambil target laba tahunan dari dokumen risalah RUPS. Setelah kedua data diperoleh dan diverifikasi relevansinya, agen menghitung selisih persentasenya sebelum memberikan jawaban komparatif yang lengkap.

Batasan dan salah paham umum

• Bukan pengganti indeks yang rapi: Jika kualitas pemotongan dokumen (chunking) dan embedding awal buruk, agen tetap akan kesulitan menemukan fakta pendukung.
• Latensi respon meningkat: Karena melibatkan beberapa langkah evaluasi dan pemanggilan alat, respon pengguna membutuhkan waktu lebih lama dibandingkan sistem RAG standar.
• Risiko infinite loop: Diperlukan batas maksimum iterasi (max reasoning steps) agar agen tidak terus-menerus mencari tanpa henti ketika informasi yang diminta memang tidak ada di korpus.

Rujukan resmi

• LlamaIndex Documentation — Agentic RAG Architecture & Patterns: docs.llamaindex.ai (Pengecekan: 11 Oktober 2026)
• LangChain Documentation — Corrective RAG (CRAG) and Self-RAG Architectures: python.langchain.com (Pengecekan: 11 Oktober 2026)