ARAG: Агентная генерация с дополненным поиском для персонализированных рекомендаций

Исследование показывает, что стандартный подход RAG (когда модель получает релевантные документы в качестве контекста) не очень эффективен для сложных задач, таких как персональные рекомендации. Вместо этого авторы предлагают систему из четырех специализированных LLM-агентов, где каждый выполняет свою узкую задачу: один анализирует профиль пользователя, второй оценивает релевантность найденных товаров, третий обобщает результаты, а четвертый (главный) ранжирует товары на основе всей собранной информации.

Ключевой результат: Такой "командный" подход с разделением задач между агентами значительно превосходит по качеству стандартный RAG, где одна модель пытается сделать всё сразу.

Суть метода ARAG (Agentic RAG) — в замене одного универсального "работника" (LLM) на команду узкопрофильных специалистов. Представьте, что вам нужно выбрать подарок для друга на основе истории его прошлых покупок.

• Старый подход (Vanilla RAG): Вы даете LLM огромный список всех покупок друга и просите: "Подбери подарок". Модель может запутаться в данных, ухватиться за случайную деталь и предложить что-то нерелевантное.

• Новый подход (ARAG), адаптированный для пользователя: Вы организуете "мыслительный конвейер" для LLM, заставляя его действовать по шагам, как команда агентов:

  1. Агент "Психолог" (User Understanding Agent): Сначала вы просите LLM проанализировать всю историю покупок и составить краткое резюме: "На основе данных, этот человек увлекается научной фантастикой, любит готовить итальянские блюда и недавно начал заниматься бегом".
  2. Агент "Ревизор" (NLI Agent): Затем вы даете LLM список потенциальных подарков (например, книга, сковорода, кроссовки, телескоп) и просите оценить каждый из них на соответствие составленному профилю. "Книга по истории — не подходит. Кроссовки — подходят. Сковорода для пасты — идеально".
  3. Агент "Секретарь" (Context Summary Agent): Далее вы просите обобщить выводы "Ревизора": "Наиболее подходящими вариантами являются товары для бега и кулинарии".
  4. Агент "Босс" (Item Ranker Agent): В конце вы даете LLM профиль от "Психолога" и выводы "Секретаря" и ставите финальную задачу: "На основе этого, составь итоговый рейтинг из 3 лучших подарков с объяснением, почему именно в таком порядке".

Этот метод заставляет LLM рассуждать пошагово, структурировать информацию и принимать решения на основе осмысленных выводов, а не сырых данных.

• Прямая применимость: Низкая, если понимать ее как создание реальной multi-agent системы. Однако, она высокая, если рассматривать ее как шаблон для структурирования сложного промпта. Пользователь может симулировать работу агентов, последовательно давая инструкции LLM в рамках одного чата или даже одного большого промпта.

• Концептуальная ценность: Огромная. Главная идея — "разделение труда" для LLM. Это учит пользователя не сваливать сложную задачу в один запрос ("проанализируй 100 страниц и дай вывод"), а разбивать ее на логические этапы: 1) Суммаризируй контекст. 2) Оцени варианты по критериям. 3) Сделай итоговый вывод на основе анализа. Это фундаментальный принцип решения комплексных проблем с помощью LLM.

• Потенциал для адаптации: Очень высокий. Механизм адаптации заключается в том, чтобы пользователь выступал в роли "менеджера проекта", а LLM — в роли "команды исполнителей". Пользователь формулирует промпт как последовательность шагов (Task 1, Task 2, Task 3), где каждый шаг имитирует работу одного из агентов. Результат одного шага становится входными данными для следующего, создавая логическую цепочку рассуждений.

Представим, что вы хотите выбрать, куда поехать в отпуск, и у вас есть заметки о прошлых поездках.

Ты — команда экспертов по планированию путешествий, состоящая из нескольких агентов. Твоя задача — помочь мне выбрать идеальное направление для следующего отпуска. Действуй строго по шагам.

**Контекст для анализа (моя история путешествий):**
*   **Италия, 2022:** Понравилось: вкусная еда (паста, пицца), исторические руины (Колизей), прогулки по старым улочкам. Не понравилось: толпы туристов, очень жарко в июле.
*   **Таиланд, 2023:** Понравилось: красивые пляжи, экзотическая природа, низкие цены. Не понравилось: слишком острая еда, долгий перелет.
*   **Чехия, 2021:** Понравилось: красивая архитектура, пиво, атмосфера сказки. Не понравилось: было холодно в ноябре.
*   **Мои общие предпочтения:** Бюджет средний, поездка на 10 дней в сентябре. Я люблю совмещать пляжный отдых с изучением культуры и истории. Не люблю сильную жару и огромные толпы.

---

**Твои Задачи (выполняй последовательно):**

**Шаг 1: Агент "Аналитик Профиля"**
Проанализируй мой контекст и создай краткий "Профиль Путешественника". Опиши в 3-4 пунктах мои ключевые предпочтения и антипатии.

**Шаг 2: Агент "Оценщик Вариантов"**
Вот 3 потенциальных направления: **Португалия, Греция, Вьетнам**.
Для каждого направления оцени, насколько оно соответствует "Профилю Путешественника" по шкале от 1 до 10. Кратко объясни свою оценку, учитывая плюсы и минусы для меня.

**Шаг 3: Агент "Главный Советник"**
На основе анализа из Шага 1 и оценок из Шага 2, составь итоговый рейтинг этих трех стран (с 1 по 3 место). Для каждого места в рейтинге напиши развернутое объяснение, почему оно подходит мне больше или меньше остальных.

Этот промпт работает, потому что он не просит LLM сразу выдать ответ, а заставляет его пройти через структурированный процесс мышления, имитирующий систему ARAG:

1. Создание явного профиля (User Understanding Agent): Шаг 1 заставляет модель сначала синтезировать и зафиксировать ключевые предпочтения пользователя (S_user в терминах статьи). Это создает четкую основу для дальнейших рассуждений, не давая модели "забыть" важные детали.
2. Оценка на основе критериев (NLI Agent): Шаг 2 заставляет модель не просто сравнивать варианты, а проводить формализованную оценку каждого варианта относительно созданного профиля. Это аналог проверки семантического соответствия.
3. Ранжирование на основе синтеза (Item Ranker Agent): Шаг 3 — это финальный этап, где модель, уже имея на руках структурированный профиль и оценки, принимает взвешенное решение. Она ранжирует варианты не интуитивно, а на основе предварительно сгенерированных и осмысленных данных.

Такая декомпозиция задачи снижает когнитивную нагрузку на модель, уменьшает вероятность ошибок и делает ее "мыслительный процесс" прозрачным и логичным.

Задача: помочь студенту выбрать тему для курсовой работы по маркетингу.

Ты — научный руководитель, который помогает студенту выбрать тему для курсовой работы. Твоя задача — проанализировать мои интересы и предложить лучшие варианты. Действуй строго по шагам.

**Контекст для анализа:**
*   **Мои интересы:** Мне нравятся социальные сети (особенно TikTok и Instagram), видеоигры и современные технологии (AI, VR).
*   **Мои сильные стороны:** Я хорошо разбираюсь в анализе данных и статистике.
*   **Требования к работе:** Тема должна быть актуальной, с возможностью сбора реальных данных (например, через опрос или анализ открытых данных). Объем работы — 30-40 страниц.

---

**Твои Задачи (выполняй последовательно):**

**Шаг 1: Агент "Аналитик Студента"**
Проанализируй мой контекст и создай "Профиль компетенций и интересов студента". Опиши в 3 пунктах, какое направление исследований мне подходит больше всего.

**Шаг 2: Агент "Генератор и Оценщик Тем"**
Вот несколько общих направлений: **Инфлюенсер-маркетинг, Геймификация, Использование AI в рекламе, Маркетинг в метавселенных.**
Для каждого направления предложи по одной конкретной формулировке темы курсовой и оцени ее по 10-балльной шкале по двум критериям:
1.  Соответствие моему профилю.
2.  Возможность сбора данных.
Результат представь в виде таблицы.

**Шаг 3: Агент "Финальный Рекомендатель"**
На основе анализа из Шагов 1 и 2, выбери 2 лучшие темы и представь их в виде финальной рекомендации. Для каждой темы напиши краткий план из 3-4 пунктов, с чего можно было бы начать исследование.

Этот промпт эффективно применяет логику ARAG к креативно-аналитической задаче, заставляя LLM действовать как методичный научный руководитель:

1. Формализация профиля (User Understanding Agent): Шаг 1 заставляет LLM не просто запомнить интересы ("любит игры"), а синтезировать из них исследовательское направление ("студент силен в анализе данных и интересуется цифровыми развлечениями, что указывает на потенциал в области quantitative marketing в digital-сфере"). Это создает прочную основу для дальнейших шагов.
2. Структурированная оценка (NLI + Context Summary Agents): Шаг 2 — это симуляция сразу двух агентов. Модель не просто предлагает темы, а сразу же оценивает их (NLI Agent) по заданным, важным для студента критериям. Представление в виде таблицы — это форма обобщения (Context Summary Agent), которая делает сравнение наглядным.
3. Действенная рекомендация (Item Ranker Agent): Шаг 3 — это не просто ранжирование, а предоставление конкретного плана действий. Модель принимает окончательное решение на основе всей предыдущей аналитики и сразу же переводит его в практическую плоскость, что является высшей формой качественной рекомендации.

Таким образом, промпт превращает расплывчатый запрос "помоги с темой" в управляемый и логичный процесс, результатом которого является не случайный набор идей, а аргументированный и практически применимый выбор.