LlamaIndex vai além do RAG para que os agentes possam tomar decisões complexas.

O popular framework de orquestração de IA LlamaIndex apresentou o Agent Document Workflow (ADW), uma nova arquitetura que, segundo a empresa, vai além dos processos de geração aumentada por recuperação (RAG) e aumenta a produtividade dos agentes. 

À medida que os frameworks de orquestração continuam a melhorar, esse método pode oferecer às organizações uma opção para aprimorar as capacidades de tomada de decisão dos agentes. 

A LlamaIndex afirma que o ADW pode ajudar os agentes a gerenciar “fluxos de trabalho complexos além da simples extração ou correspondência.”

Alguns frameworks agenticos são baseados em sistemas RAG, que fornecem aos agentes as informações necessárias para concluir tarefas. No entanto, esse método não permite que os agentes tomem decisões com base nessas informações. 

A LlamaIndex forneceu alguns exemplos do mundo real de como o ADW funcionaria bem. Por exemplo, em análises de contratos, analistas humanos precisam extrair informações-chave, cruzar regulamentações, identificar riscos potenciais e gerar recomendações. Quando implantados nesse fluxo de trabalho, os agentes de IA seguiriam idealmente o mesmo padrão e tomariam decisões com base nos documentos que analisam para a revisão de contratos e no conhecimento de outros documentos. 

“O ADW aborda esses desafios ao tratar documentos como parte de processos de negócios mais amplos,” disse a LlamaIndex em um postagem no blog. “Um sistema ADW pode manter estado ao longo das etapas, aplicar regras de negócios, coordenar diferentes componentes e tomar ações com base no conteúdo do documento — e não apenas analisá-lo.”

A LlamaIndex já afirmou anteriormente que o RAG, embora seja uma técnica importante, permanece primitiva, especialmente para as empresas que buscam capacidades de tomada de decisão mais robustas usando IA. 

Compreendendo o contexto para a tomada de decisão

A LlamaIndex desenvolveu arquiteturas de referência que combinam suas capacidades de parsing do LlamaCloud com agentes. Ela “constrói sistemas que podem entender o contexto, manter estado e conduzir processos de várias etapas.”

Para fazer isso, cada fluxo de trabalho possui um documento que atua como um orquestrador. Ele pode direcionar os agentes a acessar o LlamaParse para extrair informações de dados, manter o estado do contexto do documento e do processo, e então recuperar material de referência de outra base de conhecimento. A partir daí, os agentes podem começar a gerar recomendações para o caso de uso de revisão de contrato ou outras decisões acionáveis para diferentes casos de uso. 

“Ao manter o estado ao longo do processo, os agentes podem lidar com fluxos de trabalho complexos de várias etapas que vão além da simples extração ou correspondência,” afirmou a empresa. “Essa abordagem permite que eles construam um contexto profundo sobre os documentos que estão processando enquanto coordenam entre diferentes componentes do sistema.”

Diferentes frameworks de agentes

A orquestração agentica é uma área emergente, e muitas organizações ainda estão explorando como os agentes — ou múltiplos agentes — funcionam para elas. A orquestração de agentes e aplicações de IA pode se tornar uma conversa maior este ano, à medida que os agentes passam de sistemas únicos para ecossistemas de múltiplos agentes.

Os agentes de IA são uma extensão do que o RAG oferece, ou seja, a capacidade de encontrar informações fundamentadas no conhecimento empresarial. 

Mas, à medida que mais empresas começam a implantar agentes de IA, elas também desejam que eles realizem muitas das tarefas que os funcionários humanos fazem. E, para esses casos de uso mais complicados, o RAG “vanilla” não é suficiente. Uma das abordagens avançadas que as empresas consideraram é o RAG agentic, que expande a base de conhecimento dos agentes. Os modelos podem decidir se precisam encontrar mais informações, qual ferramenta usar para obter essas informações e se o contexto recém-fetchado é relevante, antes de chegar a um resultado.