Amazon Bedrock intègre la recherche agentique aux applications RAG avec LangChain

Amazon Web Services a détaillé les capacités de recherche agentique au sein des bases de connaissances gérées d'Amazon Bedrock, permettant aux applications de génération augmentée par récupération (RAG) construites avec LangChain d'exécuter une planification de requêtes en plusieurs étapes. Accessible via le paquet langchain-aws, cette fonctionnalité remplace la recherche classique par similarité vectorielle unique par une boucle itérative qui décompose les questions complexes en sous-requêtes ciblées.

La recherche multi-étapes remplace la recherche vectorielle unique

Lors du traitement de questions comparatives ou à plusieurs volets — comme l'évaluation de plusieurs produits selon différentes caractéristiques —, la recherche classique en une seule passe s'appuie sur un unique vecteur d'intégration pour représenter la requête. Selon AWS, cette approche à vecteur unique renvoie souvent des passages pertinents sur le plan thématique tout en ignorant des intentions clés intégrées dans des invites complexes.

L'API AgenticRetrieveStream répond à cette limite en exécutant un modèle de planification interne. Elle effectue une recherche spéculative, décompose la requête de l'utilisateur en sous-requêtes distinctes, évalue si le contexte récupéré fournit des preuves suffisantes et déclenche des cycles de recherche supplémentaires si des lacunes subsistent. Si certains passages s'avèrent insuffisants, le planificateur peut lancer des appels d'extension documentaire complète afin de récupérer des fichiers sources entiers.

Des gains mesurés sur des jeux de données complexes

AWS a évalué ce mécanisme de recherche agentique sur le banc de test public multi-sauts MuSiQue, signalant une amélioration du rappel de recherche par rapport aux recherches en une seule passe. Les gains se sont révélés les plus élevés sur les questions complexes nécessitant une collecte de contexte en plusieurs étapes, tandis que les requêtes simples à un seul saut n'ont enregistré que des gains de rappel inférieurs à cinq points.

En plus de la planification de requêtes multi-étapes, la recherche agentique permet aux applications d'interroger jusqu'à cinq bases de connaissances distinctes au cours d'une même requête. Le modèle de planification oriente chaque sous-requête vers des répertoires spécifiques à l'aide de descriptions en langage naturel attribuées à chaque base de connaissances.

Compromis sur la latence, les coûts et le comportement de l'API

Malgré l'amélioration du rappel, la recherche agentique entraîne une latence et un coût financier plus élevés en raison des multiples appels aux modèles fondateurs pendant l'exécution. Le processus repose sur un budget d'itérations contrôlé par le paramètre maxAgentIteration, qui varie de deux à dix et vaut cinq par défaut. Des valeurs inférieures à quatre empêchent la décomposition des requêtes, ce qui réintroduit un comportement de recherche en une seule passe tout en conservant la tarification du niveau agentique.

Les développeurs abandonnant la recherche classique doivent s'adapter à des différences structurelles au niveau de l'API. Contrairement à l'API Retrieve standard, les résultats de la recherche agentique n'incluent pas de champs typés de score de pertinence dans leurs métadonnées. De plus, l'application des garde-fous pour la recherche agentique est limitée au mode BLOCK via des configurations de politique spécifiques, alors que la recherche classique offre des options d'intégration plus larges.

Illustration éditoriale générée par IA ; ce n’est pas une photographie documentaire.

Source: Agentic retrieval with LangChain and Amazon Bedrock Knowledge Bases