- \n
- Klasyczny RAG zawodzi przede wszystkim z dw\u00f3ch powod\u00f3w: nie potrafi “oddali\u0107 widoku” na ca\u0142e dokumenty ani przeprowadzi\u0107 prawdziwej analizy danych na tabelach.<\/li>\n
- Agentic RAG daje agentowi AI kilka narz\u0119dzi zamiast jednego wyszukiwania \u2013 sam decyduje, jak przeszukuje baz\u0119 wiedzy.<\/li>\n
- Tabele (CSV\/Excel) s\u0105 zapisywane osobno, dzi\u0119ki czemu mo\u017cna je odpytywa\u0107 przez SQL \u2013 bez zak\u0142adania osobnej tabeli dla ka\u017cdego pliku.<\/li>\n
- Agent potrafi wylistowa\u0107 dokumenty, pobra\u0107 ca\u0142e pliki, cytowa\u0107 \u017ar\u00f3d\u0142a i w razie potrzeby poprawi\u0107 zapytanie.<\/li>\n
- Pokazana konfiguracja n8n to rozszerzalny szablon, a nie gotowy produkt \u2013 prompty i narz\u0119dzia trzeba dostosowa\u0107 do w\u0142asnego przypadku u\u017cycia.<\/li>\n<\/ul>\n<\/div>\n
![\"Por\u00f3wnanie](\"https:\/\/pletzenauer.com\/wp-content\/uploads\/2026\/06\/1487-1.png\")
Agentic RAG daje agentowi AI kilka narz\u0119dzi zamiast jednego wyszukiwania.<\/figcaption><\/figure>\n Dlaczego klasyczny RAG rozczarowuje w praktyce<\/h2>\n
RAG dzia\u0142a przez wyszukiwanie podobie\u0144stwa: zapytanie jest por\u00f3wnywane z zapisanymi fragmentami tekstu (“chunkami”), a najlepiej pasuj\u0105ce trafiaj\u0105 do modelu j\u0119zykowego. Problemem jest ten wyb\u00f3r. Regularnie pomija istotny kontekst.<\/p>\n
Medin wymienia dwie konkretne s\u0142abo\u015bci:<\/p>\n
- \n
- Brak spojrzenia na ca\u0142e dokumenty:<\/strong> RAG si\u0119ga tylko po pojedyncze wycinki. Kto chce analizowa\u0107 trendy w tabeli, dostanie mo\u017ce \u0107wier\u0107 wierszy \u2013 a wraz z tym b\u0142\u0119dny wynik.<\/li>\n
- Brak prawdziwej analizy danych:<\/strong> sum ani warto\u015bci maksymalnych z tabeli nie da si\u0119 wiarygodnie policzy\u0107 samym wyszukiwaniem tekstowym.<\/li>\n<\/ul>\n
Do tego dochodzi praktyczna uci\u0105\u017cliwo\u015b\u0107: gdy pyta si\u0119 o protok\u00f3\u0142 z okre\u015blonej daty, RAG bywa, \u017ce wyci\u0105ga dokument z niew\u0142a\u015bciwego dnia \u2013 mimo \u017ce data jest w tytule. A \u0142\u0105czenie r\u00f3\u017cnych dokument\u00f3w w szerszy kontekst udaje si\u0119 rzadko.<\/p>\n
Co Agentic RAG robi inaczej<\/h2>\n
G\u0142\u00f3wna my\u015bl jest prosta: zamiast dawa\u0107 agentowi AI jedno jedyne narz\u0119dzie wyszukiwania, dostaje ich kilka \u2013 i sam mo\u017ce decydowa\u0107, jak si\u0119ga do bazy wiedzy. Medin definiuje Agentic RAG tak:<\/p>\n
Agentic RAG oznacza danie agentowi zdolno\u015bci do zastanowienia si\u0119 nad tym, jak<\/strong> przeszukuje baz\u0119 wiedzy \u2013 zamiast przypisywa\u0107 go na sztywno do jednego narz\u0119dzia.<\/p><\/blockquote>\n
Konkretnie: agent mo\u017ce dzi\u0119ki temu poprawia\u0107 zapytania, w razie potrzeby wybra\u0107 inne narz\u0119dzie i wypr\u00f3bowa\u0107 kilka dr\u00f3g, a\u017c uzyska wiarygodn\u0105 odpowied\u017a. Gdy samo wyszukiwanie RAG zawiedzie, nie jest ju\u017c zablokowany.<\/p>\n
Cztery narz\u0119dzia agenta<\/h3>\n
W workflow n8n agent ma do dyspozycji nast\u0119puj\u0105ce narz\u0119dzia:<\/p>\n
- \n
- Wyszukiwanie RAG<\/strong> \u2013 klasyczne wyszukiwanie podobie\u0144stwa, w ulepszonej wersji wraz z podaniem \u017ar\u00f3d\u0142a.<\/li>\n
- Listowanie dokument\u00f3w<\/strong> \u2013 agent pobiera wszystkie dokumenty wraz z tytu\u0142ami i identyfikatorami i zastanawia si\u0119, kt\u00f3re mog\u0105 by\u0107 istotne.<\/li>\n
- Pobranie tre\u015bci pliku<\/strong> \u2013 po identyfikatorze pliku pobiera pe\u0142ny tekst konkretnego dokumentu (na przyk\u0142ad protok\u00f3\u0142 z 23 lutego, rozpoznawalny po tytule).<\/li>\n
- Zapytanie SQL na tabelach<\/strong> \u2013 pliki CSV i Excel s\u0105 odpytywane jak tabele SQL, aby umo\u017cliwi\u0107 sumy, maksima i podobne analizy.<\/li>\n<\/ul>\n
W system promptcie agent dostaje instrukcj\u0119, by zaczyna\u0107 od RAG i si\u0119ga\u0107 po pozosta\u0142e narz\u0119dzia tylko wtedy, gdy wyszukiwanie nie zwraca w\u0142a\u015bciwych tre\u015bci. Wa\u017cna wskaz\u00f3wka z filmu: wyra\u017ane wezwanie agenta do uczciwo\u015bci \u2013 czyli do otwartego przyznania, \u017ce nie znalaz\u0142 odpowiedzi \u2013 odczuwalnie redukuje halucynacje.<\/p>\n
Jak zapisywane s\u0105 dane tabelaryczne<\/h2>\n
Technicznie najciekawsza cz\u0119\u015b\u0107 dotyczy tabel. W Supabase zak\u0142ada si\u0119 w tym celu trzy tabele:<\/p>\n
- \n
- documents<\/strong> \u2013 zawiera embeddings dla RAG, metadane i tre\u015b\u0107 poszczeg\u00f3lnych chunk\u00f3w.<\/li>\n
- document_metadata<\/strong> \u2013 przechowuje informacje nadrz\u0119dne: tytu\u0142y, adresy URL do podania \u017ar\u00f3de\u0142 oraz \u2013 przy tabelach \u2013 schemat (czyli nazwy kolumn).<\/li>\n
- document_rows<\/strong> \u2013 odk\u0142ada wiersze tabeli. W\u0142a\u015bciwe dane l\u0105duj\u0105 w elastycznej kolumnie JSONB<\/strong> o nazwie
row_data<\/code>.<\/li>\n<\/ul>\nSztuczka: przez JSONB mo\u017cna zapisa\u0107 dowolne struktury kolumn, bez konieczno\u015bci tworzenia osobnej tabeli SQL dla ka\u017cdego pliku CSV czy Excel. Agent najpierw odczytuje schemat z metadanych, rozumie dost\u0119pne kolumny i dopiero potem formu\u0142uje zapytanie SQL na
row_data<\/code>. Medin wyra\u017anie zaznacza, \u017ce ta konfiguracja jest uproszczona \u2013 schemat nie m\u00f3wi na przyk\u0142ad nic o typach danych, wi\u0119c suma po kolumnie ze znakiem dolara mo\u017ce si\u0119 nie uda\u0107. Chodzi mu o koncepcj\u0119, nie o perfekcyjne wdro\u017cenie.<\/p>\nPipeline RAG: z Google Drive do Supabase<\/h2>\n
Zanim agent mo\u017ce pracowa\u0107, baz\u0119 wiedzy trzeba wype\u0142ni\u0107. Pipeline przebiega przy tym w kilku krokach:<\/p>\n
- \n
- Wyzwalacz:<\/strong> wyzwalacz Google Drive co minut\u0119 sprawdza nowe lub zmienione pliki. Alternatywnie dzia\u0142a Dropbox albo lokalny wyzwalacz plikowy. Usuni\u0119te pliki nie s\u0105 jednak wykrywane.<\/li>\n
- Kilka plik\u00f3w naraz:<\/strong> nowo wbudowana p\u0119tla przetwarza teraz tak\u017ce kilka plik\u00f3w, kt\u00f3re trafiaj\u0105 w tym samym interwale odpytywania \u2013 znana wada poprzedniej wersji.<\/li>\n
- Usuwanie starych danych:<\/strong> przed ka\u017cdym importem usuwane s\u0105 istniej\u0105ce wpisy dla danego identyfikatora pliku. Dzi\u0119ki temu nie zostaje \u017caden nieaktualny chunk, gdy dokument si\u0119 skr\u00f3ci\u0142.<\/li>\n
- Ekstrakcja tre\u015bci:<\/strong> w\u0119ze\u0142 Switch rozga\u0142\u0119zia si\u0119 zale\u017cnie od typu pliku \u2013 PDF, Google Doc, tekst czy tabela s\u0105 odczytywane inaczej. Kolejne formaty jak JSON czy HTML mo\u017cna doda\u0107 przez dodatkowe w\u0119z\u0142y.<\/li>\n
- Podw\u00f3jne zapisywanie tabel:<\/strong> pliki CSV s\u0105 z jednej strony przygotowywane jako dokument tekstowy dla RAG, z drugiej zapisywane wierszami w
document_rows<\/code> na potrzeby zapyta\u0144 SQL.<\/li>\n<\/ul>\nPraktyczna pu\u0142apka przy konfiguracji: do po\u0142\u0105czenia Postgres z Supabase trzeba wed\u0142ug filmu u\u017cy\u0107 transaction poolera<\/strong> (port 6543), a nie po\u0142\u0105czenia bezpo\u015bredniego. Dokumentacja n8n ma by\u0107 w tym miejscu niejasna.<\/p>\n
Zastosowane modele<\/h3>\n
Do embedding\u00f3w u\u017cywany jest
text-embedding-3<\/code> od OpenAI, jako model j\u0119zykowyGPT-4o mini<\/code> \u2013 \u015bwiadomie wybrany jako tani i szybki. Do bardziej wymagaj\u0105cych przypadk\u00f3w Medin poleca mocniejsze modele, jak GPT-4o czy Claude Sonnet 4. Wa\u017cne: przy wstawianiu i przy pobieraniu trzeba u\u017cywa\u0107 tego samego modelu embedding\u00f3w o tej samej liczbie wymiar\u00f3w.<\/p>\nTrzy przyk\u0142ady z filmu<\/h2>\n
Medin pokazuje, jak agent zale\u017cnie od pytania wybiera r\u00f3\u017cne narz\u0119dzia:<\/p>\n
- \n
- Pytanie o tabel\u0119:<\/strong> na “w kt\u00f3rym miesi\u0105cu mieli\u015bmy najwi\u0119cej nowych klient\u00f3w?” agent pisze zapytanie SQL i podaje poprawny wynik (grudzie\u0144, 129 nowych klient\u00f3w) \u2013 zamiast polega\u0107 na niepe\u0142nych chunkach.<\/li>\n
- Czyste pytanie RAG:<\/strong> na “gdzie mo\u017cemy by\u0107 lepsi?” wyszukiwanie podobie\u0144stwa znajduje dokument z opiniami, mimo \u017ce \u015bwiadomie nie u\u017cyto s\u0142owa “poprawa”.<\/li>\n
- Pobranie pliku ze \u017ar\u00f3d\u0142em:<\/strong> przy pobraniu kompletnego protoko\u0142u ze spotkania agent podaje action items, a na dopytanie klikalny link do \u017ar\u00f3d\u0142a.<\/li>\n<\/ul>\n
Wniosek<\/h2>\n
Wpis pokazuje trze\u017awo, dlaczego naiwny RAG nie wystarcza w wielu zastosowaniach biznesowych: pomija kontekst i nie potrafi liczy\u0107 na tabelach. Podej\u015bcie agentowe rozwi\u0105zuje to pragmatycznie, daj\u0105c agentowi AI kilka narz\u0119dzi i pole decyzji. Dla decydent\u00f3w w M\u015aP, kt\u00f3rzy rozwa\u017caj\u0105 asystenta do dokument\u00f3w, to wa\u017cny wniosek: jako\u015b\u0107 nie stoi i nie upada wraz z samym modelem, lecz wraz z architektur\u0105 za nim. Kto przejmuje przedstawion\u0105 konfiguracj\u0119 n8n, powinien traktowa\u0107 j\u0105 jako punkt wyj\u015bcia \u2013 prompty, narz\u0119dzia i model danych nale\u017cy dostosowa\u0107 do w\u0142asnego zasobu danych. Zw\u0142aszcza zapytania SQL na tabelach i obs\u0142uga typ\u00f3w danych zostawiaj\u0105 miejsce na ulepszenia.<\/p>\n
- Czyste pytanie RAG:<\/strong> na “gdzie mo\u017cemy by\u0107 lepsi?” wyszukiwanie podobie\u0144stwa znajduje dokument z opiniami, mimo \u017ce \u015bwiadomie nie u\u017cyto s\u0142owa “poprawa”.<\/li>\n
- Kilka plik\u00f3w naraz:<\/strong> nowo wbudowana p\u0119tla przetwarza teraz tak\u017ce kilka plik\u00f3w, kt\u00f3re trafiaj\u0105 w tym samym interwale odpytywania \u2013 znana wada poprzedniej wersji.<\/li>\n
- document_metadata<\/strong> \u2013 przechowuje informacje nadrz\u0119dne: tytu\u0142y, adresy URL do podania \u017ar\u00f3de\u0142 oraz \u2013 przy tabelach \u2013 schemat (czyli nazwy kolumn).<\/li>\n
- Listowanie dokument\u00f3w<\/strong> \u2013 agent pobiera wszystkie dokumenty wraz z tytu\u0142ami i identyfikatorami i zastanawia si\u0119, kt\u00f3re mog\u0105 by\u0107 istotne.<\/li>\n
- Brak prawdziwej analizy danych:<\/strong> sum ani warto\u015bci maksymalnych z tabeli nie da si\u0119 wiarygodnie policzy\u0107 samym wyszukiwaniem tekstowym.<\/li>\n<\/ul>\n
- Brak spojrzenia na ca\u0142e dokumenty:<\/strong> RAG si\u0119ga tylko po pojedyncze wycinki. Kto chce analizowa\u0107 trendy w tabeli, dostanie mo\u017ce \u0107wier\u0107 wierszy \u2013 a wraz z tym b\u0142\u0119dny wynik.<\/li>\n