Comparison of RAG and Agentic AI Methods

Abstract

This thesis compares dense, sparse and hybrid retrieval in Retrieval-Augmented Generation systems with selected agentic extensions: LLM-based query rewriting, answer verification and external evidence retrieval. An experimental system was implemented with Qdrant, sentence-transformers/all-MiniLM-L6-v2 and OpenAI-compatible language model endpoints, and evaluated on SciFact and NFCorpus using retrieval metrics, citation-based grounding metrics, LLM judge verdicts and latency measurements. The results show that Hybrid RAG performs best on SciFact, while Dense RAG is strongest on NFCorpus by most ranking metrics and that agentic components can improve citation grounding but increase latency and may increase hallucination risk. abstrakt-en.md 2026-05-05 1 / 1

Tato práce porovnává dense, sparse a hybridní vyhledávání v systémech Retrieval-Augmented Generation s vybranými agentními rozšířeními: přepisováním dotazů pomocí LLM, ověřováním odpovědí a získáváním externích důkazů. Byl implementován experimentální systém využívající Qdrant, sentence-transformers/all- MiniLM-L6-v2 a OpenAI kompatibilní jazykové modely, který byl evaluován na datasetech SciFact a NFCorpus pomocí retrieval metrik, citačních metrik, LLM judge a měření latence. Výsledky ukazují, že Hybridní RAG dosahuje nejlepších výsledků na SciFact, zatímco Dense RAG je nejsilnější na NFCorpus podle většiny pořadových metrik, a že agentní komponenty mohou zlepšit citační uzemnění, ale zvyšují latenci a v některých případech i riziko halucinací. abstrakt-cz.md 2026-05-05 1 / 1