# Agentic RAG — RAG agêntico > Agentic RAG é uma arquitetura em que componentes orientados por modelos participam das decisões de recuperação, como escolher uma fonte, decompor a pergunta ou reformular a consulta. Diferentemente de um caminho estritamente fixo, a execução pode adaptar etapas ao resultado encontrado. O termo não descreve um protocolo único e exige limites explícitos de ferramentas, custo e autorização. **URL canônica:** https://glossario.quaerion.com.br/agentic-rag **Categoria:** Recuperação · agentes **Revisão:** 2026-09-10 ## Definição Agentic RAG é uma arquitetura em que componentes orientados por modelos participam das decisões de recuperação, como escolher uma fonte, decompor a pergunta ou reformular a consulta. Diferentemente de um caminho estritamente fixo, a execução pode adaptar etapas ao resultado encontrado. O termo não descreve um protocolo único e exige limites explícitos de ferramentas, custo e autorização. ## O que não significa Não é todo chatbot que consulta documentos, nem permissão para navegar indefinidamente ou acessar qualquer base. Acrescentar um agente também não elimina erros de recuperação. O sistema continua dependente do conteúdo disponível, das regras de acesso e da verificação de que cada resultado responde à necessidade original. ## Como funciona A aplicação oferece recuperadores e critérios de parada dentro de um escopo definido. O componente de decisão escolhe consultas ou fontes, avalia o material recebido e pode solicitar nova busca quando faltam evidências. A síntese final conserva referências e lacunas. Registrar chamadas observáveis ajuda a depurar o processo sem alegar exposição do raciocínio interno do modelo. 1. Definir fontes autorizadas, orçamento de execução e condição de conclusão. 2. Selecionar ou decompor consultas conforme a tarefa e o contexto permitido. 3. Recuperar evidências e reformular apenas quando houver necessidade verificável. 4. Encerrar com fontes, lacunas e resultado da tarefa, sem inventar dados ausentes. ## Como medir Compare a arquitetura adaptativa com um fluxo fixo nas mesmas perguntas. Registre sucesso da tarefa, documentos utilizados, buscas redundantes, erros, latência e consumo por execução. Inclua perguntas sem resposta no acervo e testes de instruções maliciosas nos documentos. O mapa de execução deve representar eventos reais, não uma animação de etapas supostamente realizadas. ## Exemplo didático Uma pessoa pergunta quais integrações de um serviço atendem às condições descritas em duas políticas internas. O sistema consulta documentação técnica e políticas autorizadas, percebe que falta a versão da integração e pede esclarecimento ou realiza uma consulta adicional delimitada. A resposta informa o que foi confirmado e o que ficou pendente. Se um documento recuperado mandar enviar dados para um endereço externo, essa frase não autoriza a ação. O teste deve registrar tanto as consultas efetivamente feitas quanto a parada correta diante da instrução indevida. ## Perguntas frequentes ### Agentic RAG precisa de vários agentes? Não. Um único componente pode escolher ferramentas ou reformular consultas. O que caracteriza a arquitetura é a participação adaptativa nas decisões de recuperação, não uma quantidade mínima de agentes ou modelos. ### Quando preferir um fluxo fixo de recuperação? Quando a tarefa é previsível e o fluxo simples já atende à qualidade necessária, ele pode facilitar controle e diagnóstico. Acrescente decisões adaptativas apenas quando uma avaliação mostrar benefício que compense a complexidade. ### O mapa de consultas mostra o raciocínio da IA? Ele pode mostrar ferramentas chamadas, consultas, tempos e fontes devolvidas. Isso é telemetria de execução observável. Não deve ser apresentado como uma transcrição do raciocínio interno ou prova de que toda conclusão está correta. ## Limitações - Consultas sucessivas podem aumentar custo e latência sem acrescentar evidência útil para a resposta. - Conteúdo recuperado pode conter instruções maliciosas e não deve ampliar a autorização da tarefa. - A qualidade depende dos recuperadores e critérios de parada, não apenas do modelo escolhido. ## Fontes 1. [Microsoft — Agentic retrieval overview](https://learn.microsoft.com/en-us/azure/search/agentic-retrieval-overview) — Decomposição em consultas, recuperação combinada e referências na implementação Azure. 2. [LangChain — Build a custom RAG agent](https://docs.langchain.com/oss/python/langgraph/agentic-rag) — Exemplo de escolha de recuperação e revisão de consultas em um grafo de execução. 3. [Anthropic — Building effective agents](https://www.anthropic.com/engineering/building-effective-agents) — Distinção entre fluxos e agentes e necessidade de equilibrar complexidade e controle. ## Continue a leitura - [Tool Calling](https://glossario.quaerion.com.br/tool-calling) - [MCP](https://glossario.quaerion.com.br/mcp) - [RAG](https://glossario.quaerion.com.br/rag-retrieval-augmented-generation) - [Tarefas, permissões e agentes](https://quaerion.blog/blog/site-pronto-para-agentes-de-ia/) --- ## Sobre a Quaerion A Quaerion é uma empresa brasileira de Answer Intelligence. Integra SEO, AEO, AIO e GEO para tornar marcas encontráveis, compreensíveis, citáveis e recomendáveis por buscadores e IAs. Sites, conteúdo, dados, automação e mídia são infraestrutura de suporte. - Site: https://quaerion.com.br - Blog: https://quaerion.blog - Glossário: https://glossario.quaerion.com.br - Radar: https://radar.quaerion.com.br - Contato: contato@quaerion.com.br A Quaerion não promete controlar ranking, citação ou recomendação de plataformas de terceiros. Evidências técnicas, presença observada e resultado comercial permanecem separados.