RAGRetrieval-Augmented Generation (RAG)
Retrieval-Augmented Generation: mönstret där agenten först söker relevant information och sedan genererar sitt svar baserat på det den hittade.
RAG är ett mönster där modellen först hämtar relevant information från en extern källa, och sedan genererar sitt svar baserat på det den hittade. Istället för att förlita sig enbart på träningsdata, och riskera hallucinering, förankrar den sitt svar i aktuell, verifierad data.
Hur det fungerar
- Fråga. Användaren ställer en fråga
- Sökning. Systemet söker i en kunskapsbas efter relevanta dokument
- Kontext. De mest relevanta träffarna injiceras i kontextfönstret
- Generering. Modellen genererar sitt svar baserat på den hämtade kontexten
Två varianter
Klassisk RAG. Vektorsökning med embeddings. Frågan och dokumenten omvandlas till numeriska representationer, och de närmaste matchningarna hämtas. Kräver en vektordatabas och förindexering.
Agentisk sökning. Agenten söker själv med verktyg (filsystem, databas, webbsökning). Ingen förindexering krävs. Agenten navigerar informationen dynamiskt. Det här är vad moderna agentharnessar gör.
RAG vs context-repo
I agentvärlden ersätts ofta klassisk RAG av enklare mönster: agenten har tillgång till en mappstruktur med dokument och söker bland dem med vanliga verktyg. Färre rörliga delar, lättare att underhålla, och agenten kan följa filstrukturens logik istället för att förlita sig på semantisk likhet.