Google представила свежий технический гайд — Startup technical guide to AI agents. В нём хорошо показано, как меняется один из ключевых элементов работы ИИ-агентов — память и «заземление» ответов (grounding).

Почему это важно?
Любой, кто работает с ИИ, знает: модели склонны к «галлюцинациям» — уверенно отвечать неправильно. Чтобы снизить риск, появились техники grounding, и они быстро эволюционируют:

RAG (Retrieval-Augmented Generation)
Модель ищет в базе знаний релевантные документы и подмешивает их в контекст. Ответ получается точнее, но если факта нет — модель «догадает».

GraphRAG
Вместо отдельных документов — граф связи. ИИ понимает не только текст, но и контекст между фактами. Это полезно там, где важны зависимости (например, «симптом А → болезнь Б → лекарство В»).

Agentic RAG
Самый свежий уровень. Агент не ограничивается одним поиском, а сам строит стратегию: уточняет запрос, обращается к разным источникам, проверяет гипотезы, исключает шум. По сути, это встроенный исследовательский цикл.

Пример:
В e-commerce вопрос «есть ли товар в наличии?»

RAG смотрит документ и отвечает «есть».

GraphRAG проверяет ещё склад и поставщика.

Agentic RAG дополнительно обращается к API склада, сверяет отзывы покупателей и формирует ответ, максимально близкий к факту.

Вывод
Мы движемся от «памяти-архива» к «памяти-опыту», где ИИ не только хранит данные, но и учится их проверять.

Это шаг от чат-бота-энциклопедии к агенту-аналитику, которому действительно можно доверять.

#AIWiz #RAG #GraphRAG #AgenticRAG