Agentic RAG di Google: la nuova frontiera dell'intelligenza artificiale

Google Research e Google Cloud hanno presentato un nuovo framework di Agentic RAG, integrato nella piattaforma Gemini Enterprise, capace di superare i limiti dei sistemi di ricerca attuali attraverso un flusso di lavoro multi-agente che scompone quesiti complessi e verifica la completezza del contesto prima di generare risposte.

I limiti della RAG tradizionale nelle imprese

I sistemi attuali di Retrieval-Augmented Generation (RAG) — una tecnica che permette all'intelligenza artificiale di consultare documenti esterni per rispondere — sono spesso limitati a un singolo passaggio di ricerca. Questo approccio "Vanilla" (standard) fallisce quando le informazioni sono frammentate in database diversi.

Se un utente chiede le specifiche di un server utilizzato in un particolare progetto, un sistema RAG tradizionale potrebbe trovare documenti sul progetto che menzionano solo un ID del server, senza però "capire" di dover effettuare una seconda ricerca in un database tecnico separato per recuperare le specifiche di quell'ID. Il risultato è spesso una risposta parziale o un errore di informazione non trovata.

L'architettura multi-agente: ruoli e specializzazioni

Invece di un unico motore di ricerca, il framework di Google opera come un dipartimento di ricerca organizzato. Mentre un sistema RAG monolitico si limita a confrontare la domanda con i documenti, il sistema multi-agente scompone il lavoro in ruoli specializzati:

• Orchestrator: valuta la richiesta e decide se il compito richiede più passaggi, delegando il lavoro agli agenti.
• Planner Agent: traccia il percorso informativo. Ad esempio, stabilisce di consultare prima il database finanziario e poi i log di gestione progetto.
• Query Rewriter: trasforma una domanda generica in molteplici query di ricerca specifiche (es. da "Cosa succede al Progetto X?" a "Stato del Progetto X nel Q3").
• Search Fanout Agent: invia contemporaneamente le query raffinate a diverse fonti di recupero.

Dimostrazione di un sistema Agentic RAG standard. Sebbene utilizzi più agenti, manca ancora del recupero iterativo e del supporto specializzato per il cross-corpus (la ricerca tra database diversi).

L'innovazione del "Sufficient Context Agent"

La vera differenza del framework Google risiede nella persistenza. A differenza di altre soluzioni che si arrendono se la prima ricerca è infruttuosa, questo sistema integra il Sufficient Context Agent. Questo agente agisce come un ispettore di qualità che analizza i dati raccolti prima di permettere la generazione della risposta.

Il sistema multi-agente di Google include l'agente per il contesto sufficiente e la capacità di iterare la ricerca.

Le fasi del processo iterativo

Benchmark e prestazioni reali

Google ha testato il sistema su FramesQA, un benchmark per domande "multi-hop" (che richiedono più passaggi logici). Un esempio tipico è identificare i due finali di stagione televisivi più visti e calcolare la differenza di durata tra i due.

In un ambiente RAG "Vanilla", il modello spesso fallisce perché trova i dati sugli ascolti ma non quelli sulla durata. L'Agentic RAG di Google, invece, identifica i titoli (M*A*S*H e Cheers), nota la mancanza dei dati temporali e avvia una ricerca mirata per i minutaggi (150 minuti contro 98), fornendo la risposta corretta.