২০২৫ সালের জানুয়ারিতে Aditi Singh ও সহ-লেখকেরা এজেন্টিক রিট্রিভাল-অগমেন্টেড জেনারেশন, বা এজেন্টিক RAG, নিয়ে একটি জরিপ প্রকাশ করেন। তারা এটিকে এমন একটি সার্চ সিস্টেম হিসেবে বর্ণনা করেন যার ভেতরে একটি AI এজেন্ট থাকে। এজেন্টটি তার পরবর্তী ধাপ পরিকল্পনা করতে পারে, নিজের ফলাফল যাচাই করতে পারে, এবং তথ্য খোঁজার সময় ক্যালকুলেটর বা সার্চ বক্সের মতো অন্য টুলও ব্যবহার করতে পারে। একই জরিপে মূল্যায়ন ও দক্ষতাকে উন্মুক্ত চ্যালেঞ্জের মধ্যে রাখা হয়েছে, এবং এই পরীক্ষাটি সেই অংশটিই পরিমাপ করতে চেয়েছিল।
RAG বা রিট্রিভাল-অগমেন্টেড জেনারেশন মানে হলো একটি ভাষা মডেল প্রথমে একটি নথি সংগ্রহ থেকে পাওয়া লেখা ব্যবহার করে প্রশ্নের উত্তর দেয়। সাধারণ সার্চ প্রশ্নটিকে যেমন লেখা আছে ঠিক তেমনভাবে একবার খোঁজে। এজেন্টিক RAG একটি এজেন্ট যোগ করে, যা প্রাথমিক ফলাফল পড়ে এবং থামবে নাকি নতুন সার্চ করবে তা সিদ্ধান্ত নেয়। বেশি সার্চে ভালো প্রমাণ পাওয়ার কথা, কিন্তু প্রতিটি অতিরিক্ত সার্চের জন্য আরেকবার ভাষা মডেল কল করতে হয়, ব্যবহারকারীর জন্য বিলম্ব বাড়ে, এবং এজেন্টের হাতে মূল কোয়েরির চেয়ে খারাপ কোয়েরি লেখার আরেকটি সুযোগ তৈরি হয়।
লেখক একই ২৯৮টি প্রশ্ন ও ২,০০০টি সাম্প্রতিক arXiv গবেষণাপত্রের ওপর চারটি রিট্রিভাল পদ্ধতি চালান। পরীক্ষাটি তৈরি ও চালানো হয় AI কোডিং সহকারী Claude Code দিয়ে। পদ্ধতিগুলো ছিল: সাধারণ সার্চ, প্রথম ৫০টি ফলাফল পুনর্বিন্যস্ত করা একটি রির্যাঙ্কার, তিনটি বিকল্প কোয়েরি তৈরি করা একটি প্রশ্ন-পুনর্লেখক, এবং সর্বোচ্চ তিনবার সার্চ করা একটি এজেন্ট। প্রতিটি পদ্ধতিকে স্কোর দেওয়া হয়েছে এই হিসেবে যে সঠিক গবেষণাপত্রটি তার শীর্ষ পাঁচ ফলাফলের মধ্যে কতবার এসেছে।
এজেন্ট ৯৬.৮৭ শতাংশ প্রশ্নে সঠিক গবেষণাপত্রটি শীর্ষ পাঁচে রেখেছে, যেখানে সাধারণ সার্চের হার ছিল ৯৫.৬৪ শতাংশ। +১.২ শতাংশ পয়েন্টের ব্যবধানের সম্ভাব্য পরিসর ছিল -০.৮ থেকে +৩.৫, যার মধ্যে শূন্যও পড়ে, তাই পরীক্ষাটি দুটিকে আলাদা করতে পারেনি। এজেন্ট এমন কিছু গবেষণাপত্র খুঁজে পেয়েছে যা সাধারণ সার্চ বাদ দিয়েছিল, তবে সাধারণ সার্চ যেগুলো পেয়েছিল তার কিছু সে হারিয়েও ফেলেছে।
উৎস: Towards Data Science · সারাংশ: HeadlinesBriefing