RAG jako wspólna wiedza organizacji
- data
- kategoria
- AI Agents
- także w
- Retrieval & Knowledge
- czytanie
- 2 min / 319 słów
Implementer Agent ma już:
ticket
+
repo
+
AGENTS.md
To wystarcza, jeżeli cała potrzebna wiedza znajduje się w repo.
Ale ticket może powiedzieć:
Implement retry according to the company resiliency standard.
A standard może żyć w centralnej dokumentacji.
Agent potrzebuje wtedy RAG.
RAG w praktyce
Najważniejszy mental model:
RAG nie jest magiczną bazą, z której model „sam wie co pobrać”. Dla agenta RAG jest zwykle toolem.
Na przykład:
engineering_knowledge.search(query)
Tool ma opis:
Use this tool when you need company-wide architecture
standards, ADRs or engineering documentation that is not
available in the current repository.
Agent widzi:
task:
"implement retry according to company standard"
sprawdza repo i nie znajduje standardu.
Wtedy:
engineering_knowledge.search("retry standard")
|
v
RAG
|
v
relevant fragments
|
v
agent continues
Skąd agent wie, którego RAG użyć
Jeżeli organizacja ma kilka źródeł, można wystawić kilka tools:
engineering_docs.search()
security_standards.search()
api_catalog.search()
Każdy ma:
- nazwę,
- opis,
- parametry.
Model wybiera tool na podstawie:
- taska,
- system instructions,
- opisu toola.
Nie trzeba kodować:
if task contains "security":
call security RAG
choć w krytycznych przypadkach można dodać bardziej deterministyczne reguły.
Gdzie to konfigurujemy
Platforma
Buduje i utrzymuje:
- źródła danych,
- indeksy,
- embeddings,
- permissions,
- refresh danych.
Repo agenta
Deklaruje, które retrieval tools są dostępne:
tools:
- engineering_docs.search
- security_standards.search
Repo produktu
Może mieć instrukcję:
Jeżeli potrzebujesz company-wide standardu,
użyj engineering knowledge tool.
Narzędzia na rynku
| Rozwiązanie | Cloud / typ | Rola |
|---|---|---|
| Azure AI Search | Azure | vector, keyword i hybrid search dla RAG |
| Amazon Bedrock Knowledge Bases | AWS | zarządzany RAG z Bedrock |
| Amazon OpenSearch | AWS | własna warstwa search/vector |
| Vertex AI RAG Engine | GCP | zarządzany retrieval dla agentów |
| Pinecone | niezależne | managed vector database |
| Weaviate | niezależne | vector search / retrieval |
Co organizacja kontroluje
- co jest źródłem wiedzy,
- kto ma dostęp do którego źródła,
- jak świeże są dane,
- jakie metadata wracają,
- czy agent widzi źródło odpowiedzi.
W local environment RAG pomagał pojedynczemu agentowi znaleźć dokument.
W organizacji staje się kontrolowaną warstwą dostępu do wiedzy developerskiej.