ai-agents-for-beginners

(Кликнете на изображението по-горе, за да гледате видеото на този урок)

Agentic RAG

Този урок предоставя цялостен преглед на Agentic Retrieval-Augmented Generation (Agentic RAG), нововъзникващ AI парадигм, при който големите езикови модели (LLM) автономно планират следващите си стъпки, докато извличат информация от външни източници. За разлика от статичните модели за извличане и след това четене, Agentic RAG включва итеративни повиквания към LLM, редуващи се с повиквания на инструменти или функции и структурирани изходи. Системата оценява резултатите, усъвършенства заявки, задейства допълнителни инструменти при нужда и продължава този цикъл, докато не бъде постигнато удовлетворително решение.

Въведение

Този урок ще покрие

• Разбиране на Agentic RAG: Научете за нововъзникващата парадигма в AI, при която големите езикови модели (LLM) автономно планират следващите си стъпки, докато извличат информация от външни източници на данни.
• Изучаване на итеративен стил Maker-Checker: Разберете цикъла на итеративни повиквания към LLM, редуващи се с повиквания на инструменти или функции и структурирани изходи, предназначени да подобрят точността и да се справят с неправилно форматирани заявки.
• Проучване на практически приложения: Идентифицирайте сценарии, в които Agentic RAG блести, като среди, в които точността е на първо място, сложни взаимодействия с бази данни и разширени работни процеси.

Учебни цели

След завършване на този урок ще знаете как да/разберете:

• Разбиране на Agentic RAG: Научете за нововъзникващата парадигма в AI, при която големите езикови модели (LLM) автономно планират следващите си стъпки, докато извличат информация от външни източници на данни.
• Итеративен стил Maker-Checker: Усвоете концепцията за цикъл от итеративни повиквания към LLM, редуващи се с повиквания на инструменти или функции и структурирани изходи, предназначени да подобрят точността и да се справят с неправилно форматирани заявки.
• Владеене на процеса на разсъждение: Разберете способността на системата да владее своя процес на разсъждение, вземайки решения как да подхожда към проблемите без зависимост от предварително дефинирани пътища.
• Работен процес: Разберете как агентският модел независимо решава да извлече доклади за пазарни тенденции, да идентифицира данни за конкуренти, да корелира вътрешни показатели за продажби, да синтезира откритията и да оценява стратегията.
• Итеративни цикли, интеграция на инструменти и памет: Научете за зависимостта на системата от модел на взаимодействие с цикъл, поддържайки състояние и памет през стъпките, за да избегне повторения и да взема информирани решения.
• Справяне с неуспехи и самокорекция: Проучете устойчивите механизми за самокорекция на системата, включително итерации и повторни заявки, използване на диагностични инструменти и прибягване до човешки контрол.
• Граници на агентността: Разберете ограниченията на Agentic RAG, фокусирайки се върху автономия, зависеща от дадена област, инфраструктурна зависимост и спазване на ограничения.
• Практически случаи на употреба и стойност: Идентифицирайте сценарии, в които Agentic RAG блести, като среди, където точността е приоритет, сложни взаимодействия с бази данни и разширени работни потоци.
• Управление, прозрачност и доверие: Научете за значението на управлението и прозрачността, включително обяснимо разсъждение, контрол на пристрастията и човешки надзор.

Какво е Agentic RAG?

Agentic Retrieval-Augmented Generation (Agentic RAG) е нововъзникващ AI парадигм, при който големите езикови модели (LLM) автономно планират следващите си стъпки, докато извличат информация от външни източници. За разлика от статичните модели за извличане и след това четене, Agentic RAG включва итеративни повиквания към LLM, редуващи се с повиквания на инструменти или функции и структурирани изходи. Системата оценява резултатите, усъвършенства заявки, задейства допълнителни инструменти при нужда и продължава този цикъл, докато не бъде постигнато удовлетворително решение. Този итеративен стил „maker-checker“ подобрява точността, справя се с неправилно форматирани заявки и осигурява висококачествени резултати.

Системата активно владее своя процес на разсъждение, пренаписва неуспешни заявки, избира различни методи за извличане и интегрира множество инструменти — като векторно търсене в Azure AI Search, SQL бази данни или персонализирани API — преди да финализира отговора си. Отличителната черта на агентската система е способността ѝ да владее своя процес на разсъждение. Традиционните реализации на RAG разчитат на предварително дефинирани пътища, но агентска система автономно определя последователността от стъпки въз основа на качеството на намерената информация.

Определяне на Agentic Retrieval-Augmented Generation (Agentic RAG)

Agentic Retrieval-Augmented Generation (Agentic RAG) е нововъзникваща парадигма в развитието на AI, при която LLM не само извличат информация от външни източници на данни, но също така автономно планират следващите си стъпки. За разлика от статичната схема „извличане, след това четене“ или внимателно скриптирани поредици от подсказки, Agentic RAG включва цикъл от итеративни повиквания към LLM, редуващи се с повиквания на инструменти или функции и структурирани изходи. При всяка стъпка системата оценява получените резултати, решава дали да усъвършенства заявките си, задейства допълнителни инструменти при необходимост и продължава този цикъл, докато постигне удовлетворително решение.

Този итеративен стил на работа „maker-checker“ е предназначен да подобри точността, да се справи с неправилно форматирани заявки към структурирани бази данни (например NL2SQL) и да гарантира балансирани, висококачествени резултати. Вместо да разчита единствено на внимателно конструирани верижни подсказки, системата активно владее своя процес на разсъждение. Тя може да пренаписва неуспешни заявки, да избира различни методи за извличане и да интегрира множество инструменти — като векторно търсене в Azure AI Search, SQL бази данни или персонализирани API — преди да финализира отговора си. Това премахва нуждата от прекалено сложни оркестрационни рамки. Вместо това, относително прост цикъл „повикване на LLM → използване на инструмент → повикване на LLM → …“ може да произведе сложни и добре обосновани изходи.

Владеене на процеса на разсъждение

Отличителното качество, което прави една система „агентска“, е способността ѝ да владее своя процес на разсъждение. Традиционните реализации на RAG често зависят от предварително дефинирани от хора пътища за модела: верига от мисли, която очертава какво да се извлече и кога. Но когато една система е наистина агентска, тя вътрешно решава как да подходи към проблема. Тя не само изпълнява скрипт; тя автономно определя последователността от стъпки въз основа на качеството на намерената информация. Например, ако ѝ бъде поискано да създаде стратегия за пускане на продукт, тя не разчита единствено на подсказка, която описва целия процес на изследване и вземане на решения. Вместо това агентският модел независимо решава да:

1. Извлече настоящи доклади за пазарни тенденции, използвайки Bing Web Grounding
2. Идентифицира релевантни данни за конкуренти чрез Azure AI Search.
3. Корелира исторически вътрешни показатели за продажби чрез Azure SQL Database.
4. Синтезира откритията в кохерентна стратегия, координирана чрез Azure OpenAI Service.
5. Оцени стратегията за пропуски или несъответствия, задействайки допълнително извличане при необходимост. Всички тези стъпки — усъвършенстване на заявки, избор на източници, итерации докато не се постигне „удовлетворен“ отговор — се решават от модела, не са предварително скриптирани от човек.

Итеративни цикли, интеграция на инструменти и памет

Агентската система разчита на модел на циклично взаимодействие:

• Първоначално повикване: Целта на потребителя (т.е. потребителската подсказка) се предава на LLM.
• Викане на инструменти: Ако моделът разпознае липсваща информация или неясни инструкции, избира инструмент или метод на извличане — като заявка към векторна база данни (напр. Azure AI Search Hybrid търсене върху частни данни) или структурирана SQL заявка — за събиране на повече контекст.
• Оценка и усъвършенстване: След преглед на върнатите данни, моделът решава дали информацията е достатъчна. Ако не, подобрява заявката, пробва друг инструмент или коригира подхода си.
• Повтаря докато е удовлетворен: Този цикъл продължава, докато моделът не прецени, че има достатъчна яснота и доказателства, за да предостави финален, добре обоснован отговор.
• Памет и състояние: Тъй като системата поддържа състояние и памет през стъпките, тя може да си спомня предишни опити и техните резултати, избягвайки повторения и вземайки по-информирани решения в процеса.

С течение на времето това създава усещане за развиващо се разбиране, позволявайки на модела да навигира сложни, многостъпкови задачи без нужда от постоянна човешка намеса или преформулиране на подсказката.

Справяне с неуспехи и самокорекция

Автономията на Agentic RAG включва и устойчиви механизми за самокорекция. Когато системата се сблъска с безизходни ситуации — като извличане на нерелевантни документи или неправилно форматирани заявки — може да:

• Итерира и повтаря заявките: Вместо да връща нискокачествени отговори, моделът в опитва нови стратегии за търсене, пренаписва заявките към бази данни или разглежда алтернативни набори от данни.
• Използва диагностични инструменти: Системата може да задейства допълнителни функции, предназначени да ѝ помогнат да диагностицира стъпките на своето разсъждение или да потвърди коректността на извлечените данни. Инструменти като Azure AI Tracing ще бъдат важни за осигуряване на устойчиво наблюдение и мониторинг.
• Прибавя човешки надзор: При високорискови или повтарящо се неуспешни сценарии моделът може да сигнализира несигурност и да поиска човешка помощ. След като човекът осигури коригираща обратна връзка, моделът може да включи този урок занапред.

Този итеративен и динамичен подход позволява на модела да се усъвършенства непрекъснато, като гарантира, че не е просто еднократна система, а такава, която се учи от грешките си през сесията.

Граници на агентността

Въпреки автономността си в рамките на задача, Agentic RAG не е аналог на Изкуствен Общ Интелект. Неговите „агентски“ възможности са ограничени до инструментите, източниците на данни и политиките, предоставени от човешките разработчици. Не може да изобретява собствени инструменти или да излезе извън зададените граници на домейна. Вместо това, той се отличава с динамично оркестриране на наличните ресурси. Ключови разлики от по-усъвършенствани форми на AI включват:

1. Автономия, специфична за домейн: Системите Agentic RAG се фокусират върху постигане на потребителски дефинирани цели в познат домейн, използвайки стратегии като преписване на заявки или избор на инструменти за подобряване на резултатите.
2. Зависимост от инфраструктурата: Възможностите на системата зависят от инструментите и данните, интегрирани от разработчиците. Не може да надмине тези граници без човешка намеса.
3. Спазване на ограничения: Етичните насоки, правилата за съответствие и бизнес политиките остават много важни. Свободата на агента винаги е ограничена от мерки за сигурност и механизми за надзор (с надежда?).

Практически случаи на употреба и стойност

Agentic RAG блести в сценарии, изискващи итеративно усъвършенстване и прецизност:

1. Среда, в която точността е на първо място: При проверки на съответствие, регулаторни анализи или правни изследвания, агентският модел може многократно да проверява факти, да консултира множество източници и да преписва заявки, докато не произведе изцяло проверен отговор.
2. Сложни взаимодействия с бази данни: При работа със структурирани данни, където заявки често не успяват или се нуждаят от корекции, системата може автономно да усъвършенства заявките си, използвайки Azure SQL или Microsoft Fabric OneLake, гарантирайки, че крайното извличане отговаря на намерението на потребителя.
3. Разширени работни потоци: По-дълги сесии могат да се развиват, докато излизат нови данни. Agentic RAG може непрекъснато да включва нова информация, променяйки стратегиите си, докато се учи повече за проблемното пространство.

Управление, прозрачност и доверие

С нарастващата автономия на тези системи в разсъжденията, управлението и прозрачността са от ключово значение:

• Обяснимо разсъждение: Моделът може да предостави одитна следа на направените заявки, източниците, които е консултирал и стъпките на разсъждение, предприети за достигане на заключение. Инструменти като Azure AI Content Safety и Azure AI Tracing / GenAIOps помагат за поддържане на прозрачност и намаляване на рискове.
• Контрол на пристрастия и балансирано извличане: Разработчиците могат да настройват стратегии за извличане, за да се осигурят балансирани, представителни източници на данни и редовно да одитират изходите за откриване на пристрастия или изкривени модели, използвайки персонализирани модели за усъвършенствани научни организации, прилагайки Azure Machine Learning.
• Човешки надзор и съответствие: За чувствителни задачи човешкият преглед остава важен. Agentic RAG не замества човешката преценка при вземане на високорискови решения — той я допълва, предлагайки по-задълбочено проверени опции.

Наличието на инструменти, които предоставят ясен запис на действията, е от съществено значение. Без тях отстраняването на грешки в многостъпков процес може да бъде много трудно. Вижте следния пример от Literal AI (компанията зад Chainlit) за изпълнение на агент:

Заключение

Agentic RAG представлява естествен напредък в начина, по който AI системите се справят със сложни, данноко-интензивни задачи. Чрез приемане на модел на циклично взаимодействие, автономен избор на инструменти и усъвършенстване на заявки, докато не бъде постигнат висококачествен резултат, системата преминава отвъд статичното следване на подсказки към по-адаптивен, контекстуално осъзнат вземащ решения. Въпреки че все още е ограничена от човешки дефинирани инфраструктури и етични насоки, тези агентски възможности позволяват по-богати, по-динамични и в крайна сметка по-полезни AI взаимодействия както за предприятия, така и за крайни потребители.

Имате ли още въпроси за Agentic RAG?

Присъединете се към Microsoft Foundry Discord, за да се срещнете с други учащи, да участвате в консултации и да получите отговори на въпросите си за AI агенти.

Допълнителни ресурси

• Прилагане на Retrieval Augmented Generation (RAG) с Azure OpenAI Service: Научете как да използвате собствените си данни с Azure OpenAI Service. Този модул на Microsoft Learn предоставя изчерпателно ръководство за прилагане на RAG
• Оценка на генериращи AI приложения с Microsoft Foundry: Тази статия обхваща оценката и сравнението на модели върху публично достъпни набори от данни, включително Agentic AI приложения и RAG архитектури
• Какво е Agentic RAG | Weaviate

• Agentic RAG: Пълно ръководство за Agent-базирано Retrieval Augmented Generation – Новини от generation RAG

• Agentic RAG: ускорете вашия RAG с преобразуване на заявки и самостоятелно заявяване! Отворена книга за AI на Hugging Face
• Добавяне на агентни слоеве към RAG
• Бъдещето на асистентите за знания: Джери Лиу
• Как да изградим агентни RAG системи
• Използване на Microsoft Foundry Agent Service за мащабиране на вашите AI агенти

Академични статии

• 2303.17651 Self-Refine: Итеративно усъвършенстване със самостоятелна обратна връзка
• 2303.11366 Reflexion: Езикови агенти с устно подсилено обучение
• 2305.11738 CRITIC: Големи езикови модели могат да се самокоригират с интерактивна критика чрез инструменти
• 2501.09136 Agentic Retrieval-Augmented Generation: Преглед на агентен RAG

Тест за основна функционалност на този агент (по избор)

След като се научите да разгръщате агенти в Lesson 16, можете да направите базово тестване на TravelRAGAgent от този урок — проверявайки дали отговорите му остават свързани с базата от знания — с помощта на tests/lesson-05-smoke-tests.json. Вижте tests/README.md за инструкции как да го изпълните.

Предишен урок

Дизайн на използване на инструменти

Следващ урок

Изграждане на надеждни AI агенти

---

Отказ от отговорност: Този документ е преведен с помощта на AI преводачески услуга Co-op Translator. Въпреки че се стремим към точност, моля имайте предвид, че автоматизираните преводи могат да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да е недоразумения или неправилни тълкувания, произтичащи от използването на този превод.

This site is open source. Improve this page.