# Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG

**Authors:** Aditi Singh, Abul Ehtesham, Saket Kumar, Tala Talaei Khoei  
**arXiv:** [2501.09136](https://arxiv.org/abs/2501.09136)  
**Date:** 2025-01-15  
**Summary page:** https://www.summarizepaper.com/fr/paper/2501.09136v3/

## Key points

- Les grands modèles de langage (LLMs) ont révolutionné l'intelligence artificielle (IA) en permettant une génération de texte et une compréhension du langage naturel semblables à celles des humains.
- La Génération Augmentée par Récupération (RAG) améliore les LLMs en intégrant la récupération de données en temps réel pour fournir des réponses contextuellement pertinentes et à jour.
- La Génération Augmentée par Récupération Agentic (Agentic RAG) intègre des agents d'IA autonomes dans le pipeline RAG pour gérer dynamiquement les stratégies de récupération, affiner itérativement la compréhension contextuelle et adapter les flux de travail pour répondre aux exigences des tâches complexes.
- Les systèmes Agentic RAG offrent une flexibilité, une évolutivité et une conscience contextuelle inégalées dans diverses applications.

## Summary

Les grands modèles de langage (LLMs) ont révolutionné l'intelligence artificielle (IA) en permettant une génération de texte et une compréhension du langage naturel semblables à celles des humains. Cependant, leur dépendance aux données d'entraînement statiques limite leur capacité à répondre à des requêtes dynamiques en temps réel, ce qui entraîne des résultats obsolètes ou inexacts. La Génération Augmentée par Récupération (RAG) est apparue comme une solution, améliorant les LLMs en intégrant la récupération de données en temps réel pour fournir des réponses contextuellement pertinentes et à jour. Malgré ses promesses, les systèmes RAG traditionnels sont limités par des flux de travail statiques et manquent de l'adaptabilité nécessaire pour la raisonnement multi-étapes et la gestion de tâches complexes. La Génération Augmentée par Récupération Agentic (Agentic RAG) transcende ces limitations en intégrant des agents d'IA autonomes dans le pipeline RAG. Ces agents exploitent les modèles de conception agentic tels que la réflexion, la planification, l'utilisation d'outils et la collaboration multi-agents pour gérer dynamiquement les stratégies de récupération, affiner itérativement la compréhension contextuelle et adapter les flux de travail pour répondre aux exigences des tâches complexes. Cette intégration permet aux systèmes Agentic RAG de fournir une flexibilité, une évolutivité et une conscience contextuelle inégalées dans diverses applications. Cette enquête offre une exploration approfondie d'Agentic RAG, commençant par ses principes fondamentaux et l'évolution des paradigmes RAG. Elle présente une taxonomie détaillée des architectures Agentic RAG, met en lumière les principales applications dans des industries telles que la santé, la finance et l'éducation, et examine les stratégies d'implémentation pratiques. De plus, elle aborde les défis liés à l'échelle de ces systèmes, garantit la prise de décision éthique et optimise les performances pour les applications du monde réel tout en fournissant des informations détaillées sur les cadres et outils pour mettre en œuvre Agentic RAG. Les auteurs Aditi Singh, Abul Ehtesham, Saket Kumar et Tala Talaei Khoei ont contribué à cette étude sur "Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG", offrant ainsi un aperçu approfondi du sujet avec leurs expertises combinées dans le domaine de l'IA.