Agent Architectures, Part 2: Agentic RAG — When Fetching Documents Isn't Enough

የመርካቶው ሱቅ ባለቤት ረዳቱን ሁለት ጥያቄ ጠየቀ። አንዱን በሚገባ መለሰለት። ሌላውን ግን ፈጽሞ አበላሸው። ልዩነቱ የት ላይ ነው? ☕

የመጀመሪያው ጥያቄ ቀላል ነበር፦ “የሲሚንቶ ዋጋችን ስንት ነው?”

ረዳቱ የዋጋ ዝርዝሩን ፈልጎ አገኘው፣ መስመሩን አነበበ፣ መለሰ። ጨረሰ። ይህ ስለ RAG ስንጽፍ ያየነው ነው — ጥያቄ ገባ፣ የሚመስል ሰነድ ወጣ፣ መልስ ተሰጠ።

ሁለተኛው ጥያቄ ግን የተለየ ነበር፦

“ባለፈው ዓመት ከሠራናቸው ደንበኞች መካከል ዘግይተው የሚከፍሉት እነማን ናቸው፣ እና ለእነሱ የምንሰጠውን የክፍያ ጊዜ ማሳጠር ሕጋዊ ነው?”

ረዳቱ ይህን ሲሰማ የዋጋ ዝርዝሩን ፈልጎ አንድ ወረቀት አወጣ። ዘገየ። ከዚያ ስለ ክፍያ ጊዜ የሚያወራ አንድ ሰነድ አወጣ። ቀላቀለ። መጨረሻ ላይ የሰጠው መልስ ትክክልም ስህተትም ያልሆነ ነገር ሆነ።

ለምን? ምክንያቱም ያ አንድ ጥያቄ አልነበረም። ሦስት ጥያቄ ነበር፣ በአንድ ዓረፍተ ነገር ውስጥ ተደብቆ።

ተራ RAG የሚሠራው አንድ ነገር ብቻ ነው

ይህን በደንብ እንረዳው፤ ምክንያቱም ሁሉም ነገር ከዚህ ይመነጫል።

ተራ RAG አንድ ቀጥተኛ መስመር ነው። ጥያቄህን ወደ ቁጥሮች ይቀይረዋል። በሰነዶች ማከማቻ ውስጥ ተመሳሳይ ቁጥር ያላቸውን ክፍሎች ይፈልጋል። አምስቱን በጣም የሚመስሉትን አውጥቶ ከጥያቄህ ጋር አድርጎ ለሞዴሉ ይሰጣል። ሞዴሉ ያነብና ይመልሳል።

ይህ ለመጀመሪያው ጥያቄ ፍጹም ነው። “የሲሚንቶ ዋጋ” የሚለው ሐረግ በዋጋ ዝርዝሩ ውስጥ ካለው ጽሑፍ ጋር በቀጥታ ይመሳሰላል። ፍለጋው ይሳካል።

ግን ሁለተኛውን ጥያቄ ተመልከት። “ዘግይተው የሚከፍሉ ደንበኞች” የሚለው ሐረግ የትም ሰነድ ውስጥ በዚያ መልክ አልተጻፈም። ያ መረጃ በደረሰኞች ውስጥ ተበትኖ ነው ያለው — በቀኖችና በቁጥሮች መካከል። እና የሕጉ ክፍል ደግሞ ፈጽሞ በሌላ ሰነድ ውስጥ ነው።

ተራ RAG ይህን ማየት አይችልም — ምክንያቱም አንድ ፍለጋ ብቻ ነው የሚያደርገው፣ እና ያንን ፍለጋ ከጥያቄህ ቃላት ነው የሚሠራው። ጥያቄህ ውስጥ ያልተጻፈውን መፈለግ አይችልም።

Agentic RAG ስለሚያቅድ ይለያል

ልዩነቱ በአንድ ቃል ይገለጻል፦ ማቀድ።

Agentic RAG ጥያቄውን ወዲያውኑ አይፈልገውም። መጀመሪያ ይመለከተዋል፣ ከዚያም ይህን ለመመለስ ምን ማወቅ አለብኝ? ብሎ ይጠይቃል። እና ጥያቄውን ይከፋፍለዋል፦

አንደኛ — ባለፈው ዓመት የነበሩት ደንበኞች እነማን ናቸው? ሁለተኛ — ከእነሱ ውስጥ ከተስማሙበት ቀን በኋላ የከፈሉት እነማን ናቸው? ሦስተኛ — የክፍያ ጊዜን ስለ መቀየር ሕጉ ምን ይላል?

አሁን ሦስት የተለያዩ ፍለጋዎች አሉ፣ እያንዳንዱም የራሱ ትክክለኛ ቦታ አለው። የመጀመሪያዎቹ ሁለት ወደ ደረሰኝ መዝገቡ ይሄዳሉ። ሦስተኛው ወደ ሕግ ሰነዶቹ። እያንዳንዱ ፍለጋ የሚሠራው ጠባብና ግልጽ ስለሆነ ነው።

ይህ በራሱ ትልቅ ለውጥ ነው። ግን Agentic RAG ከዚህ የሚያልፍ ሁለት ተጨማሪ ነገር ያደርጋል።

ሁለተኛው ችሎታ — ምንጮችን መመዘን

ፍለጋው ሲመለስ አምስት ሰነድ አገኘ እንበል። ሦስቱ ከዋናው የሂሳብ መዝገብ ናቸው። አንዱ ከሁለት ዓመት በፊት የተጻፈ አሮጌ ማስታወሻ ነው። አንዱ ደግሞ አንድ ሠራተኛ በዋትስአፕ የላከው መልእክት ነው።

ተራ RAG አምስቱንም እኩል ይመለከታቸዋል። ሁሉም “ተመሳሳይ” ስለሆኑ ሁሉም ወደ ሞዴሉ ይሄዳሉ። እና ሞዴሉ የዋትስአፕ መልእክቱን እንደ ዋና መዝገብ አድርጎ ሊወስደው ይችላል።

Agentic RAG ግን ይመዝናል። አሮጌው ማስታወሻ ከዋናው መዝገብ ጋር ይጋጫል? ከሆነ ዋናውን መዝገብ ይመርጣል። የዋትስአፕ መልእክቱ ማረጋገጫ አለው? ከሌለ ወደ ጎን ያደርገዋል።

ይህ ትንሽ ዝርዝር ይመስላል። ግን ስለ ሃሉሲኔሽን ስንጽፍ ያየነውን ችግር በቀጥታ ይነካል። AI የሚሳሳተው ብዙ ጊዜ ካላወቀ ሳይሆን የተሳሳተ ምንጭ ስለሚያምን ነው። ምንጭ መመዘን ያንን ይቀንሳል።

ሦስተኛው ችሎታ — መልሱ ሲጎድል ማወቅ

ይህ ከሁሉ የሚጠቅመው ክፍል ነው፣ እና ብዙ ሰው አያስተውለውም።

ተራ RAG ያገኘውን ይዞ ይመልሳል። ምንም ጥሩ ነገር ካላገኘ — ደካማ በሆነ ነገር ላይ ተመሥርቶ ይመልሳል። ዝም አይልም።

Agentic RAG ውጤቱን ተመልክቶ ይህ ለመመለስ ይበቃል? ብሎ ይጠይቃል። ካልበቃ ደግሞ ይፈልጋል — በተለየ ቃል፣ በተለየ ቦታ። እና ከብዙ ሙከራ በኋላ ካላገኘው፣ “ይህን መረጃ አላገኘሁትም” ብሎ መናገር ይችላል።

አንድ ረዳት “አላውቅም” ማለት መቻሉ ደካማ ያደርገዋል ብለህ ታስብ ይሆናል። እውነታው ተቃራኒ ነው። የማይታመን ረዳት የሚያውቀውን የማይናገር ሳይሆን፣ የማያውቀውን የሚናገር ነው።

ግን ይህ ሁሉ ዋጋ አለው

እዚህ ጋ ሐቀኞች እንሁን፤ ምክንያቱም ይህ ክፍል በአብዛኛው ጽሑፍ ውስጥ ይዘለላል።

ተራ RAG አንድ ፍለጋ ያደርጋል። Agentic RAG ሦስት፣ አምስት፣ አንዳንዴም አሥር። እያንዳንዱ ፍለጋ ደግሞ ጊዜና ገንዘብ ይወስዳል። ጥያቄውን ማቀድ ራሱ የሞዴል ጥሪ ነው። ምንጭ መመዘንም እንዲሁ።

ስለዚህ ተራ RAG በሁለት ሰከንድ የሚመልሰውን፣ Agentic RAG በአሥራ አምስት ሰከንድ ሊመልሰው ይችላል — እና ብዙ እጥፍ ሊያስከፍልህ ይችላል።

ለዚህ ነው ስለ ንድፎች ስንጽፍ ያልነው ሕግ እዚህም የሚሠራው፦ ንድፉን ከሥራው ጋር አዛምድ። “የሲሚንቶ ዋጋ ስንት ነው?” ለሚል ጥያቄ Agentic RAG መጠቀም አላስፈላጊ ወጪ ነው። ተራ RAG ይበቃል።

ቀላሉ መለኪያ ይህ ነው፦ ጥያቄው አንድ እውነታ የሚፈልግ ከሆነ ተራ RAG። ጥያቄው ብዙ ቦታ የተበተነ መረጃ አዋህዶ የሚፈልግ ከሆነ — ያኔ Agentic RAG ያስፈልጋል።

ለአማርኛ ግን ምርጫ አይደለም

አሁን ወደ እኛ ሁኔታ እንምጣ፤ ምክንያቱም እዚህ ላይ ሒሳቡ ይቀየራል።

የቶከን ወጪን ስንለካ ያገኘነውን ትዝ ይልሃል? አንድ የግዕዝ ፊደል ሁለት ቶከን ነው። እና 200,000 ቶከን የሚይዝ ሞዴል በአማርኛ 21,000 ቃል ብቻ ነው የሚይዘው — የእንግሊዝኛው 13 በመቶ።

ይህ ቀጥተኛ ውጤት አለው። ተራ RAG አምስት ረጅም የአማርኛ ክፍሎችን አውጥቶ ወደ ሞዴሉ ቢልክ፣ ኮንቴክስቱ ወዲያውኑ ይሞላል። ቦታ ስለሌለ ሞዴሉ ራሱ ጥያቄህን በደንብ ማየት አይችልም።

Agentic RAG ግን ጠባብ ፍለጋ ስለሚያደርግ አጭርና ትክክለኛ ክፍሎችን ያወጣል። በአማርኛ ውስጥ ትክክለኛነት የጥራት ጉዳይ ብቻ ሳይሆን የቦታ ጉዳይም ነው።

ስለዚህ በእንግሊዝኛ Agentic RAG ማሻሻያ ነው። በአማርኛ ደግሞ አስፈላጊ ነው።

እና አንድ እውነተኛ ምሳሌ

ይህን ጽሑፍ ስንጽፍ ራሳችን አንድ ነገር ተማርን።

የቢና የአማርኛ የአጻጻፍ እርማቶችን ወደ RAG ውስጥ አስገባን — “ይሰማል ሳይሆን ይታያል”፣ “መርከብ የመኪና ስብስብ አይደለም” የሚሉ ሕጎች። ከዚያ ፈተንነው።

አልተገኙም። ስለ ወጪ ልዩነት ጥያቄ ስንጠይቅ፣ ፍለጋው ስለ ወጪ የሚያወሩ ጽሑፎችን አወጣ — የአጻጻፍ ሕጉን አላወጣም።

ምክንያቱም ተራ RAG በርዕስ ይፈልጋል። እና የአጻጻፍ እርማት ርዕስ የለውም። ስለ ወጪ የሚያወራ ሕግ ሳይሆን ስለ አጻጻፍ የሚያወራ ሕግ ነው።

ይህ የክፍሉን ትምህርት በትክክል ያሳያል፦ ፍለጋ በራሱ በቂ አይደለም። ምን መፈለግ እንዳለብህ ማወቅ ያስፈልጋል። እና ያ ማቀድ ነው።

ስለዚህ ምን ይዘህ ትሂድ

ተራ RAG ሰነድ ያወጣል። Agentic RAG ፍለጋውን ያቅዳል፣ ምንጮችን ይመዝናል፣ እና ያገኘው ሲጎድል ያውቃል።

ግን ውድ ነው። ስለዚህ ለቀላል ጥያቄ አትጠቀምበት። ብዙ ቦታ የተበተነ መረጃ ማዋሃድ ሲያስፈልግ ተጠቀምበት።

እና በአማርኛ የምትሠራ ከሆነ — ቦታው ጠባብ ስለሆነ የተሻለ ፍለጋ የቅንጦት ጉዳይ አይደለም። 🙂

➡️ በሚቀጥለው ክፍል

ክፍል 3፦ ማስታወሻ (Memory)። ኤጀንትህ ትናንት ያነጋገረውን ደንበኛ ዛሬ አያስታውሰውም። ለምን? እና እንዴት ይስተካከላል? ምን ማስቀመጥ እንዳለብህ — እና ምን ፈጽሞ ማስቀመጥ እንደሌለብህ።

---

In brief (English): Part 2 of a six-part Amharic series on agent architectures. Conventional RAG performs one operation: embed the query, retrieve the most similar chunks, pass them to the model. That works when a question maps to a single fact, but fails when a question conceals several — because the retrieval is built from the words in the query, and cannot find what the query does not name. Agentic RAG adds three capabilities. First, planning: the agent decomposes a compound question into separate targeted searches, each aimed at the right source. Second, source weighting: rather than treating all retrieved chunks as equally authoritative, it judges which deserve trust — preferring a ledger over an undated note or an unverified message, which directly reduces the hallucination risk covered in Part 4 of our AI series. Third, sufficiency checking: it evaluates whether what it retrieved is enough to answer, searches again if not, and can conclude that the information is not available — a capability that makes an assistant more trustworthy, not less. The cost is real: one search becomes five or ten, planning and weighting are themselves model calls, and latency rises accordingly, so simple factual lookups should still use conventional RAG. For Amharic the calculus differs. Because one Ge'ez character costs two tokens, a 200,000-token context holds only about 21,000 Amharic words — 13% of the English equivalent — so retrieving five long Amharic chunks can exhaust the context before the model properly reads the question. Precise retrieval is therefore not a quality improvement but a capacity requirement. The article closes with a real example: Bina's own Amharic style corrections were ingested into its knowledge base and then failed to be retrieved, because conventional RAG searches by topic and a writing rule has no topic — demonstrating the lesson that searching is not enough without knowing what to search for.

ይህ ጽሑፍ የትምህርት ዓላማ ያለው ነው። Agentic RAG በ AI ምህንድስና ማኅበረሰብ ውስጥ የተመሠረተ አሠራር ነው።