Topik:
 

8 Arsitektur RAG: Naive, Multimodal, HyDE, Korektif, Graf, Hibrida, Adaptif, dan Agentik

Oleh: Hobon.id (17/11/2026)
8 Arsitektur RAG: Naive, Multimodal, HyDE, Korektif, Graf, Hibrida, Adaptif, dan AgentikRetrieval-augmented generation, yang biasanya disingkat RAG, adalah teknik memberikan akses kepada model bahasa terhadap informasi yang tidak pernah dilatih sebelumnya dengan mengambil materi yang relevan pada saat pertanyaan diajukan dan menempatkannya dalam prompt. Ide ini diformalkan dalam makalah tahun 2020 dari Facebook AI Research, dan sejak itu menjadi salah satu pola yang paling banyak digunakan dalam AI terapan. Ini adalah alasan mengapa chatbot perusahaan dapat menjawab pertanyaan tentang perubahan kebijakan minggu lalu, alasan mengapa asisten coding dapat memahami repositori pribadi kita, dan salah satu pertahanan paling praktis terhadap model yang dengan percaya diri mengarang sesuatu.

Ide dasarnya dapat diringkas dalam satu kalimat, tetapi rekayasa di sekitarnya telah berkembang menjadi kumpulan arsitektur yang diberi nama. Jika kita telah membaca tentang HyDE, Corrective RAG, GraphRAG, atau Agentic RAG, kita mungkin telah memperhatikan bahwa nama-nama tersebut merujuk pada hal-hal yang sangat berbeda: satu adalah trik untuk menulis ulang kueri, yang lain adalah cara untuk menyusun data kita, yang lain adalah loop kontrol di sekitar seluruh sistem.
Advertisement:

Cara Memahami Arsitektur RAG


Sebelum membahas arsitektur individual, ada baiknya mengingat beberapa ide terlebih dahulu, karena hal ini akan membuat keseluruhan gambaran menjadi jauh lebih mudah dipahami.

Pertama, arsitektur-arsitektur ini bukanlah alternatif yang saling eksklusif. Arsitektur-arsitektur ini lebih tepat dipahami sebagai jawaban atas pertanyaan yang berbeda. Beberapa arsitektur membahas apa yang kita indeks dan bagaimana kita menyimpannya, seperti pendekatan multimodal dan graph. Beberapa arsitektur membahas bagaimana kita melakukan pencarian, seperti pengambilan hibrida. Beberapa arsitektur membahas bagaimana kita mengubah pertanyaan, seperti HyDE. Beberapa arsitektur membahas apakah bukti yang diambil itu baik atau tidak, seperti Corrective RAG. Dan beberapa arsitektur membahas siapa yang mengendalikan proses, seperti desain adaptif dan agenik. Sistem produksi nyata sering kali menggabungkan beberapa arsitektur ini, dan label-label tersebut menggambarkan bahan-bahan sekaligus resep lengkap.

Kedua, ada pertukaran yang konsisten yang terjadi di semua arsitektur tersebut. Setiap langkah di luar desain paling sederhana memberikan jawaban yang lebih baik untuk pertanyaan yang lebih sulit, dan membayarnya dengan latensi ekstra, biaya ekstra, komponen bergerak ekstra, dan hal-hal ekstra yang dapat rusak. Arsitektur yang tepat jarang merupakan arsitektur yang paling canggih. Ini adalah metode paling sederhana yang cukup baik dalam menangani pertanyaan kita yang sebenarnya, yang hanya dapat kita ketahui dengan melakukan pengukuran.

Ketiga, peringatan tentang terminologi. Nama-nama ini berasal dari campuran makalah akademis, dokumentasi vendor, dan postingan blog, dan penggunaannya tidak konsisten. "Hybrid RAG," misalnya, memiliki arti yang berbeda bagi orang yang berbeda, seperti yang dijelaskan di bagian terkait. Perlakukan definisi di bawah ini sebagai penggunaan umum, dan periksa arti dari sumber tertentu sebelum membandingkan catatan.


1. Naive RAG


Naive RAG adalah dasar yang menjadi tolok ukur setiap arsitektur lainnya, dan namanya deskriptif, bukan menghina. Ini adalah alur kerja tiga langkah yang sederhana: retrieve, kemudian augment, kemudian generate. Dalam fase pengindeksan offline, dokumen kita dibagi menjadi beberapa bagian, setiap bagian dikonversi menjadi vektor numerik oleh model penyematan, dan vektor tersebut disimpan dalam database vektor. Pada saat pertanyaan diajukan, kueri pengguna disematkan dengan model yang sama, database mengembalikan bagian-bagian yang vektornya paling dekat dengan vektor kueri, dan bagian-bagian tersebut ditempelkan ke dalam prompt bersama dengan pertanyaan. Model bahasa kemudian menulis jawaban berdasarkan teks tersebut.

Untuk sebagian besar kasus penggunaan, ini sudah cukup baik. Menjawab pertanyaan tentang manual produk, pusat bantuan, atau serangkaian dokumen internal seringkali berjalan dengan baik hanya dengan pembagian yang cermat dan model penyematan yang layak. Ini cepat, biasanya menghasilkan waktu kurang dari satu detik untuk overhead pengambilan, murah untuk dijalankan, dan mudah untuk di-debug, karena hanya ada beberapa tempat masalah dapat bersembunyi.

Namun, kelemahan-kelemahannya adalah alasan mengapa daftar ini ada. Pengambilan informasi didasarkan sepenuhnya pada kesamaan semantik, sehingga dapat melewatkan istilah-istilah yang tepat seperti kode produk atau pengidentifikasi kesalahan, dan dapat mengembalikan bagian-bagian yang terdengar terkait tetapi sebenarnya tidak menjawab pertanyaan. Sistem menganggap kueri pengguna secara harfiah, bahkan ketika kueri tersebut samar atau diungkapkan dengan sangat berbeda dari dokumen. Sistem selalu mengambil sejumlah potongan informasi tetap terlepas dari relevansinya, dan tidak pernah memeriksa pekerjaannya sendiri, sehingga konteks yang tidak relevan langsung masuk ke dalam pertanyaan dan model dapat dengan senang hati membangun jawaban berdasarkan konteks tersebut. Pilihan pembagian informasi secara diam-diam menentukan kualitas, karena fakta yang terbagi menjadi dua potongan mungkin tidak akan pernah diambil secara utuh. RAG yang sederhana adalah titik awal yang tepat, dan seringkali titik akhir yang tepat, tetapi kita harus bersiap untuk beralih dari metode ini ketika pertanyaan kita menjadi lebih sulit daripada yang dapat ditangani oleh sistem pengambilan informasi.


2. RAG Multimodal


RAG Multimodal memperluas ide pengambilan dan pembuatan data di luar teks. Basis pengetahuan yang sebenarnya penuh dengan materi yang bukan sekadar prosa, seperti: diagram dalam manual teknik, grafik dan tabel dalam laporan keuangan, tangkapan layar dalam dokumentasi, formulir yang dipindai, foto, slide, rekaman audio, dan video. Alur kerja berbasis teks saja akan mengabaikan informasi tersebut atau merusaknya. RAG Multimodal memperlakukan gambar, dan terkadang audio dan video, sebagai elemen utama dalam basis pengetahuan.

Ada tiga cara umum untuk melakukan ini, dan perbedaannya terletak pada seberapa besar ketergantungannya pada kemampuan model untuk membaca gambar secara langsung. Cara paling sederhana adalah mengubah semuanya menjadi teks sebelum pengindeksan, seperti: menjalankan OCR pada hasil pindaian, menghasilkan keterangan atau deskripsi gambar dan grafik dengan model yang mampu membaca gambar, mengekstrak tabel ke dalam format terstruktur, dan mentranskripsikan audio, kemudian memasukkan semua teks tersebut melalui alur kerja teks biasa. Pendekatan kedua menggunakan model penyematan multimodal yang menempatkan teks dan gambar dalam ruang vektor bersama, sehingga kueri teks dapat mengambil gambar yang relevan secara langsung. Pendekatan ketiga, yang lebih baru, dicontohkan oleh model seperti ColPali, yaitu menyematkan gambar seluruh halaman dokumen secara langsung, menghindari OCR dan penguraian tata letak sama sekali, dan kemudian meneruskan gambar halaman yang diambil ke model bahasa-visi untuk dibaca. Beberapa penelitian menunjukkan bahwa pendekatan pertama, ringkasan teks yang berasal dari gambar, seringkali berkinerja sangat baik dibandingkan dengan pengambilan gambar berbasis penyematan murni, yang merupakan pengingat yang berguna bahwa pilihan yang lebih canggih tidak selalu lebih baik.

Manfaatnya jelas di mana pun makna berada di luar teks, seperti: manual teknis, makalah ilmiah dengan gambar, slide presentasi, laporan pencitraan medis, dan katalog produk. Biayanya juga nyata. Pemrosesan gambar dan panggilan model visi lebih mahal dan lebih lambat daripada penanganan teks, infrastrukturnya lebih rumit, dan evaluasinya lebih sulit karena kurang jelas seperti apa hasil pengambilan yang baik untuk suatu gambar. Multimodal RAG menjadi kompleks ketika sebagian besar jawaban kita bergantung pada konten non-teks, dan bukan sebelumnya.


3. HyDE (Hypothetical Document Embeddings)


HyDE mengatasi masalah yang halus namun umum, yaitu pertanyaan dan jawabannya seringkali tampak sangat berbeda. Seorang pengguna mungkin bertanya, "Mengapa deployment saya terus restart?" sementara dokumentasi yang relevan adalah bagian yang padat tentang pemeriksaan kesehatan dan batasan memori. Karena pengambilan membandingkan embedding kueri dengan embedding dokumen, pertanyaan singkat dan samar dapat berada jauh dari bagian yang sebenarnya menjawabnya.

Idenya, yang diperkenalkan dalam makalah tahun 2022, adalah untuk menutup kesenjangan itu dengan pertama-tama meminta model bahasa untuk menulis jawaban hipotetis untuk pertanyaan tersebut, tanpa pengambilan sama sekali, dan kemudian untuk menyematkan jawaban palsu itu dan mencarinya. Dokumen hipotetis tidak perlu benar. Dokumen tersebut hanya perlu menyerupai jenis teks yang akan berisi jawaban, dengan kosakata yang tepat dan bentuk yang tepat. Penyematan bagian yang masuk akal tersebut cenderung lebih dekat ke dokumen yang benar-benar relevan daripada penyematan pertanyaan saja, dan dokumen yang benar-benar diambil kemudian menggantikan dokumen yang dibuat-buat dalam permintaan akhir.

HyDE paling baik dipahami sebagai teknik transformasi kueri daripada arsitektur lengkap, dan merupakan salah satu dari beberapa teknik dalam keluarga yang juga mencakup penulisan ulang kueri, permintaan mundur, dan penguraian pertanyaan kompleks menjadi sub-pertanyaan. Teknik ini cenderung paling membantu ketika kueri pendek, ambigu, atau dirumuskan dalam bahasa sehari-hari sementara korpus bersifat teknis, dan dalam pengaturan zero-shot di mana kita tidak dapat menyempurnakan pengambil data. Biayanya adalah panggilan model bahasa tambahan pada setiap kueri, yang menambah latensi dan biaya, dan risiko bahwa jawaban hipotetis yang salah secara pasti menarik pengambilan data ke arah yang salah, terutama pada topik yang kurang diketahui oleh model. Ini adalah alat yang baik untuk dicoba ketika kualitas pengambilan data, bukan kualitas generasi, jelas merupakan hambatan kita.


4. Corrective RAG (CRAG)


Naive RAG memiliki sifat yang mengkhawatirkan, yaitu ia mempercayai apa pun yang diambilnya. Jika pencarian mengembalikan bagian yang tidak relevan, model tetap menerimanya sebagai konteks dan dapat dengan percaya diri menghasilkan jawaban berdasarkan bagian tersebut. Corrective RAG, yang diusulkan dalam makalah tahun 2024, menambahkan pemeriksaan kualitas di tengah alur kerja untuk mengatasi hal ini.

Komponen intinya adalah evaluator pengambilan yang ringan yang memeriksa dokumen yang diambil terhadap kueri dan memberikan penilaian: pengambilan tersebut benar, salah, atau ambigu. Setiap penilaian memicu tindakan yang berbeda. Ketika materi yang diambil tampak benar, sistem memperbaikinya, menyaring kalimat yang tidak relevan dalam dokumen sehingga model hanya melihat bagian yang berguna. Ketika tampak salah, sistem membuangnya dan kembali ke sumber lain, biasanya pencarian web, untuk menemukan bukti yang lebih baik. Ketika penilaiannya ambigu, ia menggabungkan dokumen internal yang telah diperbaiki dengan hasil eksternal. Hasilnya adalah sistem yang menyadari ketika pencariannya sendiri gagal dan mencoba memperbaikinya, alih-alih secara membabi buta meneruskan apa pun yang ditemukannya.

Corrective RAG sangat berharga di mana jawaban yang salah menimbulkan biaya atau di mana basis pengetahuan kita tidak lengkap atau mengandung banyak informasi yang tidak akurat, karena memberikan sistem cara yang elegan untuk menangani pertanyaan yang tidak dapat dijawab oleh korpus. Pendekatan ini termasuk dalam keluarga yang sama dengan Self-RAG, pendekatan terkait yang melatih model untuk memutuskan kapan harus melakukan pencarian dan mengkritik outputnya sendiri menggunakan token refleksi khusus. Kelemahannya adalah langkah evaluasi tambahan pada setiap kueri, yang membutuhkan waktu dan biaya, kebutuhan akan evaluator yang andal, karena evaluator yang buruk akan membuat keputusan yang salah di kedua arah, dan, ketika pencarian web menjadi pilihan cadangan, kebutuhan untuk mempertimbangkan kepercayaan dengan cermat, karena web terbuka bukanlah sumber yang terverifikasi. Ini adalah peningkatan yang masuk akal ketika kita telah mengukur masalah nyata dengan konteks yang tidak relevan atau hilang.


5. Graph RAG


Pencarian vektor memperlakukan setiap bagian teks sebagai sebuah pulau. Ia dapat menemukan bagian-bagian yang menyerupai pertanyaan, tetapi ia tidak memiliki pemahaman tentang bagaimana fakta-fakta saling berhubungan, yang membuatnya lemah pada pertanyaan yang membutuhkan informasi penghubung yang tersebar di banyak dokumen atau meringkas tema di seluruh korpus. Pertanyaan seperti "Apa tema utama di seribu laporan ini?" tidak dapat dijawab dengan mengambil lima bagian yang paling mirip, karena tidak ada lima bagian yang mengandung jawabannya.

Graph RAG, yang dipopulerkan oleh makalah Microsoft Research tahun 2024 dan implementasi open source yang dirilis setelahnya, mengatasi hal ini dengan membangun grafik pengetahuan dari dokumen-dokumen tersebut. Selama pengindeksan, model bahasa membaca teks dan mengekstrak entitas, seperti orang, organisasi, produk, dan konsep, beserta hubungan di antara mereka. Ini membentuk simpul dan tepi graph. Graph kemudian dibagi menjadi komunitas entitas yang terkait erat menggunakan algoritma pengelompokan, dan model menulis ringkasan untuk setiap komunitas, menghasilkan hierarki ringkasan korpus yang semakin tinggi tingkatnya. Pada saat kueri, pertanyaan spesifik dapat dijawab dengan menelusuri graph di sekitar entitas yang relevan, sementara pertanyaan yang luas dan global dapat dijawab dengan memanfaatkan ringkasan komunitas.

Hal ini memberikan Graph RAG kekuatan yang khas pada domain yang sarat dengan relasi seperti kepatuhan, data organisasi, literatur hukum dan ilmiah, dan analisis ketergantungan, serta pada pertanyaan ringkasan global di mana RAG berbasis vektor cenderung kesulitan. Harga yang harus dibayar terutama pada saat pengindeksan, karena mengekstrak entitas dan meringkas komunitas dengan model bahasa pada korpus yang besar itu mahal dan lambat, dan graph harus dibangun kembali atau diperbarui seiring perubahan dokumen. Varian yang lebih murah telah muncul untuk mengurangi hal ini, dan penelitian yang lebih luas menunjukkan bahwa graph bukanlah peningkatan universal: untuk pencarian fakta sederhana, pengambilan vektor biasa seringkali sama baiknya dan jauh lebih murah. Graph RAG juga memperkenalkan pertimbangan tersendiri seputar privasi, karena graph pengetahuan dapat mengekspos hubungan sensitif jika dikueri secara sembarangan. Upaya ini sepadan ketika pertanyaan kita pada dasarnya tentang koneksi dan sintesis gambaran besar, bukan ketika pertanyaan tersebut tentang menemukan satu bagian saja.


6. RAG Hibrida


RAG Hibrida meningkatkan langkah pengambilan itu sendiri dengan menggabungkan dua cara yang sangat berbeda untuk menemukan teks yang relevan. Pencarian vektor padat, yang digunakan dalam naive RAG, mencocokkan berdasarkan makna: ia memahami bahwa "mobil" dan "otomotif" saling terkait dan dapat menemukan bagian yang mengekspresikan ide yang sama dengan kata-kata yang berbeda. Pencarian kata kunci jarang, yang paling umum adalah algoritma BM25 klasik, mencocokkan berdasarkan istilah yang tepat: ia unggul dalam menemukan kode produk spesifik, pesan kesalahan, nama, akronim, dan jargon langka yang mungkin dikaburkan atau terlewatkan sepenuhnya oleh model penyematan. Setiap pendekatan memiliki titik buta yang ditutupi oleh pendekatan lainnya.

Sistem hibrida menjalankan kedua pencarian secara paralel dan menggabungkan hasilnya. Teknik penggabungan yang paling umum adalah penggabungan peringkat timbal balik, yang menggabungkan dua daftar peringkat dengan memberikan setiap dokumen skor berdasarkan posisinya di setiap daftar, memberi penghargaan kepada dokumen yang berperingkat baik di kedua daftar tersebut. Banyak sistem produksi kemudian meneruskan kandidat yang telah digabungkan melalui perankingan ulang, biasanya model cross-encoder yang membaca kueri dan setiap kandidat secara bersamaan dan memberi skor jauh lebih tepat daripada yang dapat dilakukan oleh retriever tahap pertama. Pencarian hibrida dengan perankingan ulang telah menjadi standar default untuk sistem RAG yang serius dalam beberapa tahun terakhir, dan seringkali merupakan peningkatan paling hemat biaya dibandingkan dengan pengaturan yang sederhana.

Satu catatan tentang terminologi: beberapa penulis menggunakan "RAG hibrida" untuk berarti menggabungkan pencarian vektor dengan grafik pengetahuan, atau menggabungkan pengambilan dari berbagai sumber data seperti dokumen dan database. Arti kata kunci plus semantik yang dijelaskan di sini adalah yang paling umum, tetapi perlu dikonfirmasi arti mana yang dimaksudkan oleh artikel tertentu. Kekurangan dari pendekatan kata kunci plus semantik relatif kecil: dua indeks yang perlu dipelihara, langkah fusi yang perlu disesuaikan, dan biaya tambahan untuk perankingan ulang. Pendekatan ini sangat berguna untuk korpus yang mencampur bahasa alami dengan pengidentifikasi yang tepat, seperti dokumentasi teknis, teks hukum, dan katalog e-commerce.


7. RAG Adaptif


Tidak setiap pertanyaan membutuhkan upaya yang sama. "Apa ibu kota Prancis?" sama sekali tidak memerlukan pencarian database, karena model bahasa sudah mengetahuinya. "Apa kebijakan pengembalian dana kami?" hanya membutuhkan satu kali pengambilan data. "Bagaimana tingkat churn kami berubah setelah pembaruan harga, dan apa yang dikatakan pelanggan tentang hal itu?" membutuhkan beberapa putaran pencarian dan sintesis. Menjalankan pipeline terberat pada setiap kueri akan membuang uang dan waktu, sementara menjalankan pipeline teringan pada setiap kueri akan gagal menjawab pertanyaan-pertanyaan sulit.

RAG Adaptif memecahkan masalah ini dengan menempatkan router di depan sistem. Dalam penelitian yang memberi nama pendekatan ini, sebuah makalah tahun 2024, model pengklasifikasi kecil menilai kompleksitas setiap pertanyaan yang masuk dan memilih strategi, seperti: menjawab langsung tanpa pengambilan data untuk pertanyaan sederhana, menggunakan pengambilan data satu langkah untuk pertanyaan sedang, dan menggunakan proses iteratif multi-langkah untuk pertanyaan kompleks yang membutuhkan penghubungan beberapa bukti. Dalam praktik modern, ide ini digeneralisasikan ke perutean di antara seluruh pipeline, mengirimkan kueri ke pencarian vektor sederhana, pencarian hibrida dengan pengurutan ulang, pengambilan berbasis grafik, kueri SQL, atau loop agenik tergantung pada apa yang tampaknya dibutuhkan.

Daya tariknya adalah efisiensi: kita hanya membayar untuk kecanggihan ketika kueri benar-benar membutuhkannya, itulah sebabnya desain adaptif sering direkomendasikan untuk beban kerja campuran dalam skala besar. Tantangannya adalah bahwa perute itu sendiri dapat salah, mengirimkan pertanyaan sulit ke jalur yang dangkal atau membuang upaya pada pertanyaan mudah, bahwa ia menambahkan langkah pengambilan keputusan dan dengan demikian sedikit latensi, dan bahwa kita sekarang memiliki beberapa pipeline untuk dibangun, dipantau, dan dievaluasi daripada hanya satu. Ini paling masuk akal setelah kita memiliki lalu lintas kueri yang benar-benar beragam dan telah membangun lebih dari satu strategi pengambilan yang layak untuk dipilih.


8. RAG Agentik


RAG Agentik mewakili pergeseran konseptual terbesar dalam daftar ini. Dalam setiap arsitektur sebelumnya, developer memutuskan terlebih dahulu bagaimana pengambilan data terjadi, seperti: alur kerja memiliki bentuk tetap, meskipun mencakup pemeriksaan dan perutean. Dalam RAG agentik, pengambilan data menjadi alat yang dapat dipilih oleh agen berbasis model bahasa untuk digunakan, berapa kali pun ia mau, dengan kueri apa pun yang diputuskan untuk ditulis, dalam mengejar suatu tujuan.

Sistem agentik biasanya menggabungkan beberapa kemampuan. Sistem ini dapat merencanakan, memecah pertanyaan kompleks menjadi sub-pertanyaan dan memutuskan urutan untuk menanganinya. Sistem ini dapat menggunakan beberapa alat, seperti pencarian vektor pada dokumen, kueri SQL terhadap database, pencarian web, kalkulator, atau API internal, dan memilih di antara alat-alat tersebut berdasarkan pertanyaan. Sistem ini dapat merefleksikan, memeriksa hasil sementara, memperhatikan celah atau kontradiksi, dan mencoba lagi dengan kueri yang dirumuskan ulang. Dalam varian multi-agen, agen khusus membagi pekerjaan, dengan satu menangani pengambilan data, yang lain memvalidasi bukti, dan yang lain mensintesis jawaban akhir, terkadang secara paralel. Survei di bidang ini menggambarkan refleksi, perencanaan, penggunaan alat, dan kolaborasi multi-agen sebagai pola yang menentukan.

Fleksibilitas ini menjadikan RAG berbasis agen sebagai pilihan terkuat untuk masalah yang benar-benar sulit: pertanyaan multi-hop yang membutuhkan penggabungan fakta, tugas penelitian yang mencakup banyak sumber, dan analisis yang mencampur data terstruktur dan tidak terstruktur. Namun, ini juga yang paling mahal dan paling tidak dapat diprediksi. Setiap pertanyaan mungkin melibatkan banyak panggilan model bahasa, sehingga latensi mencapai beberapa detik atau lebih dan biaya per kueri dapat jauh lebih tinggi daripada RAG naif. Perilaku kurang deterministik, yang membuat pengujian dan debugging lebih sulit, dan sistem membutuhkan aturan penghentian yang masuk akal agar tidak mencari tanpa henti. Desain berbasis agen juga memperluas permukaan serangan: konten yang diambil dari web atau dari dokumen dapat berisi instruksi yang mencoba membajak agen, dan memori persisten serta akses alat menciptakan lebih banyak cara agar terjadi kesalahan. Ini adalah pilihan yang tepat ketika alur kerja yang lebih sederhana terbukti gagal pada pertanyaan-pertanyaan tersulit kita, dan metode ini harus diadopsi dengan evaluasi, pengamanan, dan batasan yang tepat.


Perbandingan Kedelapan Metode


Jika dilihat dari daftarnya, progresinya mengikuti gradien yang jelas. Naive RAG adalah yang tercepat, termurah, dan paling sederhana, dan menetapkan standar dasar. HyDE dan pengambilan hibrida meningkatkan kualitas apa yang diambil dengan biaya tambahan yang moderat, dan merupakan peningkatan pertama yang paling umum. RAG Korektif menambahkan jaring pengaman ketika pengambilan gagal. RAG Multimodal dan Graph mengubah isi basis pengetahuan kita dan bagaimana strukturnya, yang berarti biayanya dibebankan di awal untuk pengindeksan dan infrastruktur. RAG Adaptif adalah lapisan koordinasi yang mengontrol pengeluaran di antara yang lain. Dan RAG Agenik menyerahkan kendali proses kepada model itu sendiri, membeli kemampuan maksimum dengan biaya dan ketidakpastian maksimum.

Latensi tipikal mencerminkan urutan ini. Pipeline naif umumnya menambahkan beberapa ratus milidetik overhead pengambilan, sementara loop agenik biasanya membutuhkan beberapa detik dan terkadang jauh lebih lama. Biaya per kueri meningkat serupa, karena didominasi oleh jumlah panggilan model bahasa. Ini adalah perkiraan kasar, bukan angka tetap, dan sangat bergantung pada model, data, dan implementasi kita.
Advertisement:

Menggabungkan Arsitektur dalam Praktik


Dalam sistem nyata, pola-pola ini jarang muncul sendirian. Tumpukan produksi umum saat ini terlihat seperti ini: pencarian hibrida yang menggabungkan pengambilan kata kunci dan vektor, penulisan ulang kueri ketika pertanyaan ambigu, perankingan ulang lintas encoder untuk mempertajam kandidat, dan generator yang dapat meminta informasi lebih lanjut ketika pengambilan pertama kurang memadai. Tim kemudian menambahkan indeks grafik untuk pertanyaan yang banyak mengandung relasi atau pertanyaan global, saluran penyerapan multimodal jika dokumen mereka penuh dengan gambar dan hasil pindaian, pemeriksaan korektif di mana akurasi paling penting, dan router atau agen untuk lalu lintas yang membutuhkannya.

Cara paling andal untuk mencapai kombinasi yang tepat adalah dengan membangun dari versi paling sederhana dan membiarkan bukti mendorong setiap penambahan. Mulailah dengan RAG yang sederhana dan kumpulan evaluasi yang baik, kumpulan pertanyaan nyata dengan jawaban yang diketahui baik. Ukur kualitas pengambilan secara terpisah dari kualitas jawaban, karena model tidak dapat menjawab dengan baik dari konteks yang buruk, dan lacak apakah jawaban benar-benar sesuai dengan sumber yang diambil. Perhatikan di mana kegagalan terkumpul. Jika dokumen yang relevan sama sekali tidak ditemukan, coba pencarian hibrida, pengelompokan yang lebih baik, atau transformasi kueri. Jika dokumen yang tidak relevan merusak jawaban, tambahkan perankingan ulang atau langkah korektif. Jika pertanyaan memerlukan informasi penghubung antar dokumen, pertimbangkan grafik. Jika hanya sebagian kecil kueri yang sulit, arahkan kueri tersebut. Tambahkan kompleksitas hanya di tempat pengukuran menunjukkan kesenjangan yang nyata.


Jadi, kedelapan arsitektur dalam panduan ini sebaiknya dilihat sebagai seperangkat alat bantu daripada peringkat. Naive RAG memberi kita fondasi yang cepat, murah, dan mudah dipahami. Multimodal RAG memperluasnya ke gambar, tabel, dan rekaman yang terdapat dalam basis pengetahuan nyata. HyDE meningkatkan pengambilan informasi dengan menjembatani kesenjangan antara cara pertanyaan dan jawaban dirumuskan. Corrective RAG memeriksa bukti yang diambil dan memperbaikinya jika kurang baik. Graph RAG menangkap hubungan dan mendukung pertanyaan gambaran besar yang tidak dapat ditangani oleh pencarian vektor. Hybrid RAG mempertajam pengambilan informasi dengan menggabungkan pencarian berbasis makna dan berbasis kata kunci. Adaptive RAG menghabiskan upaya sebanding dengan seberapa sulit setiap pertanyaan. Dan agentic RAG menyerahkan seluruh proses kepada agen yang dapat merencanakan, menggunakan alat, dan melakukan iterasi hingga mendapatkan apa yang dibutuhkannya.
Artikel Terkait: