RAG agentico: quando gli agenti IA cercano da soli
Il RAG agentico (agentic RAG) è un'evoluzione del RAG classico: invece di eseguire una sola ricerca e generare subito una risposta, un agente IA pianifica più passaggi, decide quali basi di conoscenza interrogare e in che ordine, valuta se i risultati sono sufficienti e, se serve, riformula la domanda e cerca ancora. È utile per domande complesse che richiedono più fonti o più round di verifica, ma introduce costi, latenza e rischi che vale la pena conoscere prima di adottarlo.
Cos'è il RAG agentico e in che cosa si differenzia dal RAG classico
Nel RAG classico il flusso è lineare: l'utente pone una domanda, il sistema la trasforma in una ricerca (full-text, semantica o ibrida), recupera un certo numero di passaggi rilevanti e li passa al modello linguistico insieme alla domanda originale per generare una risposta con fonti citate. Un solo passaggio di ricerca, una sola chiamata al modello.
Nel RAG agentico questo schema si arricchisce di un livello decisionale. L'agente non si limita a cercare una volta: valuta la domanda, la scompone se necessario, decide quale base interrogare (o se interrogarne più d'una), osserva i risultati e decide se bastano o se serve un'altra ricerca con una query diversa. È lo stesso principio che guida un agente IA quando usa strumenti esterni: la ricerca documentale diventa uno strumento tra gli altri, richiamabile più volte nello stesso ciclo di ragionamento.
RAG classico vs RAG agentico
| Aspetto | RAG classico | RAG agentico |
|---|---|---|
| Numero di ricerche | Una sola, a partire dalla domanda originale | Da due a diverse, decise dinamicamente |
| Basi interrogate | Una base predefinita | Una o più basi, scelte dall'agente |
| Riformulazione della query | Nessuna o query expansion automatica | L'agente riformula in base ai risultati parziali |
| Costo per domanda | Prevedibile, una chiamata al modello più il retrieval | Variabile, proporzionale al numero di passaggi |
| Latenza | Bassa, risposta quasi immediata | Più alta, cresce con i passaggi |
| Casi d'uso tipici | FAQ, supporto clienti, ricerca su un unico corpus | Ricerche comparative, dossier multi-fonte, agenti autonomi |
Come funziona in pratica: query planning, retrieval multi-step, tool calling
Il ciclo tipico di un agente che fa retrieval da solo segue quattro fasi che si ripetono finché l'agente non ritiene di avere abbastanza informazioni per rispondere.
- Scomposizione della domanda: l'agente analizza la richiesta e capisce se riguarda una sola fonte o più fonti distinte (per esempio normativa fiscale, CCNL applicabile e procedura interna dell'azienda).
- Pianificazione: decide quali basi interrogare per prime, con quale query e in quale ordine, dando priorità alle fonti più specifiche.
- Esecuzione tramite tool call: l'agente invoca la ricerca come farebbe con qualsiasi strumento, passando o una base di conoscenza alla volta, oppure più basi in parallelo se l'architettura lo consente.
- Valutazione e iterazione: controlla se i passaggi recuperati rispondono davvero alla domanda; se mancano dettagli, riformula la query o passa a un'altra base, fino a un limite massimo di passaggi.
Query planning: scomporre la domanda in sotto-domande
Immagini un commercialista che chiede a un assistente: "Un dipendente part-time può rifiutare lo straordinario e quali sono le conseguenze fiscali per l'azienda?". Un RAG classico cercherebbe quella frase intera su un'unica base e probabilmente otterrebbe passaggi parziali. Un agente agentico la scompone in due sotto-domande (diritto del lavoro sullo straordinario part-time, trattamento fiscale per l'azienda), interroga due basi diverse, una sul CCNL e una sulla prassi fiscale, e compone la risposta finale citando entrambe le fonti. Questo tipo di scenario è lo stesso descritto per il RAG applicato ai commercialisti, dove servono fonti diverse per una sola domanda operativa.
Tool call verso basi diverse
Tecnicamente, ogni base di conoscenza diventa uno strumento che l'agente può richiamare con un nome, una descrizione e dei parametri (la query, il numero di passaggi da restituire, la modalità risposta o solo passaggi). Il Model Context Protocol è oggi lo standard più diffuso per esporre questi strumenti in modo uniforme a client come Claude, Cursor o ChatGPT: l'agente vede un elenco di basi disponibili come tool e decide da solo quali chiamare. Se gestisce già basi di conoscenza collegate via MCP, può capire come collegare questi client a una base di conoscenza in pochi passaggi, senza scrivere codice di orchestrazione personalizzato.
Quando ha senso il RAG agentico (e quando è overengineering)
Il RAG agentico non è una versione "migliore" del RAG classico in assoluto: è una soluzione più complessa per problemi più complessi. Prima di introdurlo, conviene chiedersi se la domanda tipica dei Suoi utenti richiede davvero più fonti o più round di ricerca.
- Ha senso quando le domande combinano più domini (normativa, policy interna, documentazione tecnica) che vivono in basi separate.
- Ha senso quando serve verificare un'informazione incrociando più fonti prima di rispondere, per esempio in ambito legale o regolatorio.
- Ha senso per agenti che devono produrre un dossier o un report, non solo rispondere a una domanda secca.
- Non ha senso per FAQ, supporto clienti su un unico manuale o ricerca su un corpus omogeneo: qui un RAG classico ben configurato è più veloce, più economico e più prevedibile.
- Non ha senso se il volume di domande è alto e il budget per query è limitato: moltiplicare i passaggi di ricerca moltiplica anche il costo.
Per molti casi aziendali, un singolo assistente ben alimentato con fonti affidabili copre già la maggior parte delle richieste: ne parliamo in dettaglio parlando di come costruire risposte IA di cui le persone si fidano davvero. Il RAG agentico va riservato ai casi in cui una sola ricerca non basta strutturalmente.
Rischi e costi da considerare prima di adottarlo
Aggiungere un livello decisionale all'agente introduce tre categorie di rischio che vanno misurate prima di mettere in produzione, non dopo.
- Costo moltiplicato: ogni passaggio di pianificazione e ogni ricerca aggiuntiva consuma crediti o quote. Una domanda che con un RAG classico costa una chiamata può arrivare a costarne quattro o cinque con un agente che itera. È lo stesso tipo di calcolo descritto in quanto costa davvero il RAG, amplificato dal numero di passaggi.
- Latenza percepita: se l'agente fa tre o quattro ricerche in sequenza prima di rispondere, l'utente aspetta diversi secondi in più. Per un'interfaccia conversazionale questo va comunicato chiaramente, per esempio mostrando lo stato di avanzamento.
- Loop e ricerche ridondanti: senza un limite esplicito di passaggi, un agente può rimanere bloccato a riformulare la stessa domanda senza convergere, soprattutto se le basi disponibili non contengono davvero l'informazione cercata.
- Allucinazioni amplificate: se l'agente combina passaggi da fonti diverse e il passaggio finale di sintesi non è ancorato con precisione alle citazioni, il rischio di mescolare informazioni o di inventare un collegamento tra fonti aumenta rispetto a una singola generazione su un solo set di passaggi.
Fissi sempre un limite di passaggi
In produzione, imponga un numero massimo di cicli di ricerca (per esempio tre o quattro) e un budget di crediti per domanda. Senza questo limite, un agente mal configurato può generare costi imprevedibili già nelle prime ore di utilizzo.
Prima di scalare un agente agentico, vale la pena misurare questi rischi con un set di domande di test e metriche chiare: ne parliamo in come valutare un sistema RAG, che si applica anche, con qualche adattamento, ai flussi multi-step.
Come costruire un RAG agentico con basi di conoscenza su Kopik
Per sperimentare il RAG agentico senza costruire un'infrastruttura da zero, il punto di partenza più semplice è separare le fonti in basi di conoscenza distinte e lasciare che sia l'agente a decidere quale interrogare. Su Kopik può creare più basi tematiche (per esempio una per la normativa, una per le policy interne, una per la documentazione tecnica di prodotto), ognuna indicizzata con ricerca ibrida e interrogabile in modalità risposta con fonti citate o solo passaggi.
Ogni base può restare privata, accessibile solo con le Sue API key, oppure essere pubblicata nel catalogo se vuole che altri la interroghino a pagamento. Un agente costruito con un framework di orchestrazione può chiamare queste basi tramite API REST oppure, se usa client compatibili come Claude, Cursor o ChatGPT, tramite il server MCP di Kopik, che espone ogni base come strumento richiamabile direttamente dall'agente senza scrivere codice di integrazione personalizzato.
Pronto a far cercare un agente nelle Sue basi?
Crei una base di conoscenza gratuita su Kopik, provi la ricerca con fonti citate e colleghi un agente via API o MCP quando è pronto a orchestrare più passaggi.
Checklist prima di mettere in produzione un agente che cerca da solo
- Ha definito un numero massimo di passaggi di ricerca per domanda, con un limite di crediti o di tempo?
- Ha separato le fonti in basi distinte con confini chiari, così che l'agente scelga tra strumenti ben definiti e non tra un unico calderone indifferenziato?
- Ha testato cosa succede quando nessuna base contiene la risposta: l'agente lo dichiara o inventa un collegamento plausibile?
- Ha previsto un log leggibile delle ricerche effettuate, per poter verificare dopo il fatto quali passaggi hanno portato alla risposta finale?
- Ha confrontato il costo medio per domanda del flusso agentico con quello di un RAG classico, per capire se il guadagno in qualità giustifica la differenza di spesa?
- Ha verificato gli aspetti di conformità, in particolare se l'agente tratta dati personali o documenti riservati, coerentemente con quanto descritto in GDPR e RAG: cosa verificare prima di partire?
Un'ultima considerazione riguarda l'affidabilità delle fonti che l'agente può raggiungere: più basi vengono collegate, più è importante che ciascuna sia curata e aggiornata, perché un agente che cerca da solo amplifica sia i pregi sia i difetti delle fonti a disposizione, come spiegato in perché gli agenti IA hanno bisogno di fonti affidabili.
RAG agentico o contesto lungo: un'alternativa da non scartare
Prima di investire in un'architettura agentica complessa, vale la pena considerare se il problema si risolve più semplicemente con un modello a contesto lungo che legge l'intero documento, o con un RAG classico ben configurato su una base unica ma ben strutturata. Il confronto tra i due approcci, con i relativi costi e limiti pratici, è trattato in RAG vs modelli a contesto lungo: spesso la soluzione più economica e meno rischiosa resta quella più semplice, e il RAG agentico va riservato ai casi in cui la complessità della domanda lo giustifica davvero.
Domande frequenti
Cos'è esattamente il RAG agentico?
È un'architettura in cui un agente IA, invece di eseguire una sola ricerca prima di rispondere, pianifica più passaggi: scompone la domanda, decide quali basi di conoscenza interrogare, valuta i risultati e se necessario riformula la query e cerca di nuovo, fino a comporre una risposta finale con le fonti raccolte.
Il RAG agentico costa di più del RAG classico?
Sì, generalmente sì. Ogni passaggio di pianificazione e ogni ricerca aggiuntiva consuma crediti o chiamate al modello, quindi una domanda che con un RAG classico costa una singola interrogazione può costare più volte tanto con un flusso agentico che itera tre o quattro volte.
Quando conviene usare un RAG agentico invece di uno classico?
Conviene quando le domande richiedono strutturalmente più fonti diverse (per esempio normativa, policy interna e documentazione tecnica) o quando serve verificare un'informazione incrociando più basi. Per FAQ o supporto su un corpus unico, un RAG classico resta più veloce ed economico.
Come si evita che un agente entri in un loop di ricerche infinite?
Impostando un limite esplicito al numero di cicli di ricerca per domanda e un budget massimo di crediti, oltre a una condizione di uscita chiara: se dopo N tentativi i passaggi recuperati non bastano, l'agente deve dichiarare che non ha trovato una risposta certa invece di continuare a cercare.
Il RAG agentico può interrogare più basi di conoscenza diverse?
Sì, è proprio uno dei suoi punti di forza: ogni base diventa uno strumento richiamabile dall'agente, per esempio via API o tramite un server MCP, e l'agente decide da solo quale base interrogare in base al contenuto della domanda.
Serve competenza tecnica avanzata per costruire un RAG agentico?
Per sperimentare le basi no: può creare più basi di conoscenza tematiche su una piattaforma come Kopik e collegarle a un client compatibile MCP senza scrivere codice. Per orchestrare logiche di pianificazione e limiti personalizzati su larga scala serve invece competenza di sviluppo per gestire l'agente che coordina le chiamate.
Riceva la newsletter di Kopik
Nuove basi di conoscenza, guide sul RAG e novità del prodotto. Un'email ogni una o due settimane, disiscrizione con un clic.
Iscrivendosi accetta di ricevere la nostra newsletter. Il Suo indirizzo non viene mai condiviso.