ai-agents-for-beginners

(উপরের ছবিতে ক্লিক করে এই পাঠের ভিডিও দেখুন)

Agentic RAG

এই পাঠটি Agentic Retrieval-Augmented Generation (Agentic RAG)-এর একটি বিস্তৃত পর্যালোচনা প্রদান করে। এটি একটি উদীয়মান AI পদ্ধতি যেখানে বড় ভাষার মডেল (LLMs) স্বয়ংক্রিয়ভাবে তাদের পরবর্তী পদক্ষেপ পরিকল্পনা করে এবং বাহ্যিক উৎস থেকে তথ্য সংগ্রহ করে। স্থির retrieval-then-read প্যাটার্নের বিপরীতে, Agentic RAG-এ LLM-এর পুনরাবৃত্তিমূলক কল অন্তর্ভুক্ত থাকে, যা টুল বা ফাংশন কল এবং কাঠামোবদ্ধ আউটপুটের সাথে মিশ্রিত হয়। সিস্টেমটি ফলাফল মূল্যায়ন করে, প্রশ্ন সংশোধন করে, প্রয়োজনে অতিরিক্ত টুল ব্যবহার করে এবং একটি সন্তোষজনক সমাধান না পাওয়া পর্যন্ত এই চক্রটি চালিয়ে যায়।

পরিচিতি

এই পাঠে আলোচনা করা হবে:

• Agentic RAG বোঝা: AI-এর একটি উদীয়মান পদ্ধতি সম্পর্কে জানুন যেখানে বড় ভাষার মডেল (LLMs) স্বয়ংক্রিয়ভাবে তাদের পরবর্তী পদক্ষেপ পরিকল্পনা করে এবং বাহ্যিক ডেটা উৎস থেকে তথ্য সংগ্রহ করে।
• Iterative Maker-Checker স্টাইল বোঝা: LLM-এর পুনরাবৃত্তিমূলক কলের লুপ, টুল বা ফাংশন কল এবং কাঠামোবদ্ধ আউটপুটের সাথে মিশ্রিত, যা সঠিকতা উন্নত করতে এবং ত্রুটিপূর্ণ প্রশ্ন পরিচালনা করতে ডিজাইন করা হয়েছে।
• প্রায়োগিক প্রয়োগ অন্বেষণ: এমন পরিস্থিতি চিহ্নিত করুন যেখানে Agentic RAG কার্যকর, যেমন সঠিকতা-প্রথম পরিবেশ, জটিল ডেটাবেস ইন্টারঅ্যাকশন এবং দীর্ঘতর কর্মপ্রবাহ।

শেখার লক্ষ্য

এই পাঠ সম্পন্ন করার পর, আপনি জানবেন বা বুঝবেন:

• Agentic RAG বোঝা: AI-এর একটি উদীয়মান পদ্ধতি সম্পর্কে জানুন যেখানে বড় ভাষার মডেল (LLMs) স্বয়ংক্রিয়ভাবে তাদের পরবর্তী পদক্ষেপ পরিকল্পনা করে এবং বাহ্যিক ডেটা উৎস থেকে তথ্য সংগ্রহ করে।
• Iterative Maker-Checker স্টাইল: LLM-এর পুনরাবৃত্তিমূলক কলের লুপের ধারণা বোঝা, যা টুল বা ফাংশন কল এবং কাঠামোবদ্ধ আউটপুটের সাথে মিশ্রিত, সঠিকতা উন্নত করতে এবং ত্রুটিপূর্ণ প্রশ্ন পরিচালনা করতে ডিজাইন করা হয়েছে।
• যুক্তি প্রক্রিয়ার মালিকানা: সিস্টেমের যুক্তি প্রক্রিয়ার মালিকানা নেওয়ার ক্ষমতা বোঝা, যা পূর্বনির্ধারিত পথের উপর নির্ভর না করে সমস্যাগুলোর কাছে যাওয়ার পদ্ধতি নির্ধারণ করে।
• কর্মপ্রবাহ: একটি agentic মডেল কীভাবে স্বতন্ত্রভাবে বাজার প্রবণতার রিপোর্ট সংগ্রহ, প্রতিযোগী ডেটা চিহ্নিত, অভ্যন্তরীণ বিক্রয় মেট্রিকের সাথে সম্পর্ক স্থাপন, ফলাফল সংশ্লেষণ এবং কৌশল মূল্যায়ন করে তা বোঝা।
• পুনরাবৃত্তিমূলক লুপ, টুল ইন্টিগ্রেশন এবং মেমরি: সিস্টেমের লুপড ইন্টারঅ্যাকশন প্যাটার্নের উপর নির্ভরতা, ধাপগুলোর মধ্যে অবস্থা এবং মেমরি বজায় রাখা, পুনরাবৃত্তিমূলক লুপ এড়ানো এবং তথ্যপূর্ণ সিদ্ধান্ত নেওয়া।
• ব্যর্থতার ধরন পরিচালনা এবং স্ব-সংশোধন: সিস্টেমের শক্তিশালী স্ব-সংশোধন প্রক্রিয়া অন্বেষণ করা, যার মধ্যে পুনরাবৃত্তি এবং পুনরায় প্রশ্ন করা, ডায়াগনস্টিক টুল ব্যবহার এবং মানব তত্ত্বাবধানে ফিরে যাওয়া অন্তর্ভুক্ত।
• স্বাধীনতার সীমাবদ্ধতা: Agentic RAG-এর সীমাবদ্ধতা বোঝা, যা ডোমেন-নির্দিষ্ট স্বায়ত্তশাসন, অবকাঠামো নির্ভরতা এবং গার্ডরেলগুলোর প্রতি সম্মানকে কেন্দ্র করে।
• প্রায়োগিক ব্যবহার এবং মূল্য: এমন পরিস্থিতি চিহ্নিত করুন যেখানে Agentic RAG কার্যকর, যেমন সঠিকতা-প্রথম পরিবেশ, জটিল ডেটাবেস ইন্টারঅ্যাকশন এবং দীর্ঘতর কর্মপ্রবাহ।
• শাসন, স্বচ্ছতা এবং বিশ্বাস: শাসন এবং স্বচ্ছতার গুরুত্ব সম্পর্কে জানুন, যার মধ্যে ব্যাখ্যাযোগ্য যুক্তি, পক্ষপাত নিয়ন্ত্রণ এবং মানব তত্ত্বাবধান অন্তর্ভুক্ত।

Agentic RAG কী?

Agentic Retrieval-Augmented Generation (Agentic RAG) একটি উদীয়মান AI পদ্ধতি যেখানে বড় ভাষার মডেল (LLMs) স্বয়ংক্রিয়ভাবে তাদের পরবর্তী পদক্ষেপ পরিকল্পনা করে এবং বাহ্যিক উৎস থেকে তথ্য সংগ্রহ করে। স্থির retrieval-then-read প্যাটার্নের বিপরীতে, Agentic RAG-এ LLM-এর পুনরাবৃত্তিমূলক কল অন্তর্ভুক্ত থাকে, যা টুল বা ফাংশন কল এবং কাঠামোবদ্ধ আউটপুটের সাথে মিশ্রিত হয়। সিস্টেমটি ফলাফল মূল্যায়ন করে, প্রশ্ন সংশোধন করে, প্রয়োজনে অতিরিক্ত টুল ব্যবহার করে এবং একটি সন্তোষজনক সমাধান না পাওয়া পর্যন্ত এই চক্রটি চালিয়ে যায়। এই পুনরাবৃত্তিমূলক “maker-checker” স্টাইল সঠিকতা উন্নত করে, ত্রুটিপূর্ণ প্রশ্ন পরিচালনা করে এবং উচ্চ-মানের ফলাফল নিশ্চিত করে।

সিস্টেমটি সক্রিয়ভাবে তার যুক্তি প্রক্রিয়ার মালিকানা নেয়, ব্যর্থ প্রশ্নগুলো পুনরায় লেখে, বিভিন্ন retrieval পদ্ধতি বেছে নেয় এবং একাধিক টুল—যেমন Azure AI Search-এ vector search, SQL ডেটাবেস বা কাস্টম API—একত্রিত করে তার উত্তর চূড়ান্ত করার আগে। একটি agentic সিস্টেমের বিশেষ গুণ হলো তার যুক্তি প্রক্রিয়ার মালিকানা নেওয়ার ক্ষমতা। প্রচলিত RAG বাস্তবায়ন পূর্বনির্ধারিত পথের উপর নির্ভর করে, কিন্তু একটি agentic সিস্টেম তথ্যের গুণমানের উপর ভিত্তি করে ধাপগুলোর ক্রম স্বতন্ত্রভাবে নির্ধারণ করে।

Agentic Retrieval-Augmented Generation (Agentic RAG)-এর সংজ্ঞা

Agentic Retrieval-Augmented Generation (Agentic RAG) AI উন্নয়নের একটি উদীয়মান পদ্ধতি যেখানে LLMs শুধুমাত্র বাহ্যিক ডেটা উৎস থেকে তথ্য সংগ্রহ করে না, বরং স্বয়ংক্রিয়ভাবে তাদের পরবর্তী পদক্ষেপ পরিকল্পনা করে। স্থির retrieval-then-read প্যাটার্ন বা সাবধানে স্ক্রিপ্ট করা prompt sequences-এর বিপরীতে, Agentic RAG-এ LLM-এর পুনরাবৃত্তিমূলক কলের একটি লুপ অন্তর্ভুক্ত থাকে, যা টুল বা ফাংশন কল এবং কাঠামোবদ্ধ আউটপুটের সাথে মিশ্রিত হয়। প্রতিটি ধাপে, সিস্টেমটি প্রাপ্ত ফলাফল মূল্যায়ন করে, প্রশ্ন সংশোধন করার সিদ্ধান্ত নেয়, প্রয়োজনে অতিরিক্ত টুল ব্যবহার করে এবং একটি সন্তোষজনক সমাধান না পাওয়া পর্যন্ত এই চক্রটি চালিয়ে যায়।

এই পুনরাবৃত্তিমূলক “maker-checker” স্টাইল সঠিকতা উন্নত করতে, কাঠামোবদ্ধ ডেটাবেসে ত্রুটিপূর্ণ প্রশ্ন (যেমন NL2SQL) পরিচালনা করতে এবং ভারসাম্যপূর্ণ, উচ্চ-মানের ফলাফল নিশ্চিত করতে ডিজাইন করা হয়েছে। সাবধানে প্রকৌশলিত prompt চেইনের উপর নির্ভর করার পরিবর্তে, সিস্টেমটি সক্রিয়ভাবে তার যুক্তি প্রক্রিয়ার মালিকানা নেয়। এটি ব্যর্থ প্রশ্নগুলো পুনরায় লেখে, বিভিন্ন retrieval পদ্ধতি বেছে নেয় এবং একাধিক টুল—যেমন Azure AI Search-এ vector search, SQL ডেটাবেস বা কাস্টম API—একত্রিত করে তার উত্তর চূড়ান্ত করার আগে। এটি অত্যন্ত জটিল orchestration frameworks-এর প্রয়োজনীয়তা দূর করে। বরং, একটি তুলনামূলকভাবে সহজ লুপ “LLM call → tool use → LLM call → …” ব্যবহার করে পরিশীলিত এবং সুপ্রতিষ্ঠিত আউটপুট তৈরি করা সম্ভব।

যুক্তি প্রক্রিয়ার মালিকানা

যে গুণটি একটি সিস্টেমকে “agentic” করে তোলে তা হলো তার যুক্তি প্রক্রিয়ার মালিকানা নেওয়ার ক্ষমতা। প্রচলিত RAG বাস্তবায়ন প্রায়ই মানুষের দ্বারা পূর্বনির্ধারিত একটি পথের উপর নির্ভর করে: একটি chain-of-thought যা কী retrieve করতে হবে এবং কখন করতে হবে তা নির্দেশ করে। কিন্তু যখন একটি সিস্টেম সত্যিই agentic হয়, এটি অভ্যন্তরীণভাবে সিদ্ধান্ত নেয় কীভাবে সমস্যার কাছে যেতে হবে। এটি শুধুমাত্র একটি স্ক্রিপ্ট কার্যকর করছে না; এটি তথ্যের গুণমানের উপর ভিত্তি করে ধাপগুলোর ক্রম স্বতন্ত্রভাবে নির্ধারণ করছে। উদাহরণস্বরূপ, যদি এটি একটি পণ্য লঞ্চ কৌশল তৈরি করতে বলা হয়, এটি শুধুমাত্র একটি prompt-এর উপর নির্ভর করে না যা পুরো গবেষণা এবং সিদ্ধান্ত গ্রহণের কর্মপ্রবাহকে নির্দেশ করে। বরং, agentic মডেলটি স্বতন্ত্রভাবে সিদ্ধান্ত নেয়:

1. Bing Web Grounding ব্যবহার করে বর্তমান বাজার প্রবণতার রিপোর্ট retrieve করা।
2. Azure AI Search ব্যবহার করে প্রাসঙ্গিক প্রতিযোগী ডেটা চিহ্নিত করা।
3. Azure SQL Database ব্যবহার করে ঐতিহাসিক অভ্যন্তরীণ বিক্রয় মেট্রিকের সাথে সম্পর্ক স্থাপন করা।
4. Azure OpenAI Service-এর মাধ্যমে একটি সমন্বিত কৌশল তৈরি করা।
5. কৌশলটির ফাঁক বা অসঙ্গতি মূল্যায়ন করা, প্রয়োজনে retrieval-এর আরেকটি রাউন্ড চালানো। এই সমস্ত ধাপ—প্রশ্ন সংশোধন, উৎস নির্বাচন, উত্তর নিয়ে “সন্তুষ্ট” না হওয়া পর্যন্ত পুনরাবৃত্তি—মডেল দ্বারা সিদ্ধান্ত নেওয়া হয়, মানুষের দ্বারা পূর্বনির্ধারিত স্ক্রিপ্ট নয়।

পুনরাবৃত্তিমূলক লুপ, টুল ইন্টিগ্রেশন এবং মেমরি

একটি agentic সিস্টেম একটি লুপড ইন্টারঅ্যাকশন প্যাটার্নের উপর নির্ভর করে:

• প্রাথমিক কল: ব্যবহারকারীর লক্ষ্য (যেমন ব্যবহারকারীর prompt) LLM-এ উপস্থাপন করা হয়।
• টুল আহ্বান: যদি মডেল অনুপস্থিত তথ্য বা অস্পষ্ট নির্দেশনা চিহ্নিত করে, এটি একটি টুল বা retrieval পদ্ধতি নির্বাচন করে—যেমন একটি vector database query (যেমন Azure AI Search Hybrid search ব্যক্তিগত ডেটার উপর) বা একটি কাঠামোবদ্ধ SQL কল—আরও প্রসঙ্গ সংগ্রহ করতে।
• মূল্যায়ন ও সংশোধন: প্রাপ্ত ডেটা পর্যালোচনা করার পর, মডেল সিদ্ধান্ত নেয় তথ্যটি যথেষ্ট কিনা। যদি না হয়, এটি প্রশ্ন সংশোধন করে, একটি ভিন্ন টুল চেষ্টা করে বা তার পদ্ধতি সামঞ্জস্য করে।
• সন্তুষ্ট না হওয়া পর্যন্ত পুনরাবৃত্তি: এই চক্রটি চলতে থাকে যতক্ষণ মডেল সিদ্ধান্ত নেয় যে এটি একটি চূড়ান্ত, সুপ্রতিষ্ঠিত উত্তর দেওয়ার জন্য যথেষ্ট স্পষ্টতা এবং প্রমাণ সংগ্রহ করেছে।
• মেমরি ও অবস্থা: যেহেতু সিস্টেমটি ধাপগুলোর মধ্যে অবস্থা এবং মেমরি বজায় রাখে, এটি পূর্বের প্রচেষ্টা এবং তাদের ফলাফল মনে রাখতে পারে, পুনরাবৃত্তিমূলক লুপ এড়াতে পারে এবং আরও তথ্যপূর্ণ সিদ্ধান্ত নিতে পারে।

সময়ের সাথে সাথে, এটি একটি বিকশিত বোঝার অনুভূতি তৈরি করে, মডেলকে জটিল, বহু-ধাপের কাজগুলো পরিচালনা করতে সক্ষম করে, যেখানে মানুষের ক্রমাগত হস্তক্ষেপ বা prompt পুনর্গঠন প্রয়োজন হয় না।

ব্যর্থতার ধরন পরিচালনা এবং স্ব-সংশোধন

Agentic RAG-এর স্বায়ত্তশাসন শক্তিশালী স্ব-সংশোধন প্রক্রিয়াও অন্তর্ভুক্ত করে। যখন সিস্টেম dead ends-এ পৌঁছায়—যেমন অপ্রাসঙ্গিক ডকুমেন্ট retrieve করা বা ত্রুটিপূর্ণ প্রশ্নের সম্মুখীন হওয়া—তখন এটি:

• পুনরাবৃত্তি এবং পুনরায় প্রশ্ন করা: নিম্ন-মূল্যের উত্তর দেওয়ার পরিবর্তে, মডেল নতুন search কৌশল চেষ্টা করে, ডেটাবেস প্রশ্ন পুনরায় লেখে বা বিকল্প ডেটাসেট দেখে।
• ডায়াগনস্টিক টুল ব্যবহার: সিস্টেমটি অতিরিক্ত ফাংশন আহ্বান করতে পারে যা তার যুক্তি ধাপগুলো debug করতে বা প্রাপ্ত ডেটার সঠিকতা নিশ্চিত করতে সাহায্য করে। Azure AI Tracing-এর মতো টুল শক্তিশালী পর্যবেক্ষণ এবং মনিটরিং সক্ষম করতে গুরুত্বপূর্ণ হবে।
• মানব তত্ত্বাবধানে ফিরে যাওয়া: উচ্চ-ঝুঁকিপূর্ণ বা বারবার ব্যর্থ হওয়া পরিস্থিতিতে, মডেল অনিশ্চয়তা চিহ্নিত করতে পারে এবং মানব নির্দেশনা অনুরোধ করতে পারে। একবার মানুষ সংশোধনমূলক প্রতিক্রিয়া প্রদান করলে, মডেল সেই পাঠটি ভবিষ্যতে অন্তর্ভুক্ত করতে পারে।

এই পুনরাবৃত্তিমূলক এবং গতিশীল পদ্ধতি মডেলকে ক্রমাগত উন্নত করতে সক্ষম করে, নিশ্চিত করে যে এটি শুধুমাত্র একটি এক-বারের সিস্টেম নয়, বরং একটি সিস্টেম যা একটি নির্দিষ্ট সেশনের সময় তার ভুল থেকে শেখে।

স্বাধীনতার সীমাবদ্ধতা

একটি কাজের মধ্যে তার স্বায়ত্তশাসন সত্ত্বেও, Agentic RAG কৃত্রিম সাধারণ বুদ্ধিমত্তার সমতুল্য নয়। তার “agentic” ক্ষমতা মানুষের দ্বারা প্রদত্ত টুল, ডেটা উৎস এবং নীতিমালার মধ্যে সীমাবদ্ধ। এটি নিজস্ব টুল তৈরি করতে পারে না বা সেট করা ডোমেন সীমার বাইরে যেতে পারে না। বরং, এটি হাতে থাকা সম্পদগুলোকে গতিশীলভাবে পরিচালনা করতে দক্ষ।

আরও উন্নত AI ফর্মগুলোর সাথে মূল পার্থক্যগুলো হলো:

1. ডোমেন-নির্দিষ্ট স্বায়ত্তশাসন: Agentic RAG সিস্টেমগুলো একটি পরিচিত ডোমেনের মধ্যে ব্যবহারকারীর সংজ্ঞায়িত লক্ষ্য অর্জনে মনোযোগী, query পুনরায় লেখার বা টুল নির্বাচন করার মতো কৌশল ব্যবহার করে ফলাফল উন্নত করতে।
2. অবকাঠামো-নির্ভর: সিস্টেমের ক্ষমতা ডেভেলপারদের দ্বারা সংযুক্ত টুল এবং ডেটার উপর নির্ভর করে। এটি মানুষের হস্তক্ষেপ ছাড়া এই সীমার বাইরে যেতে পারে না।
3. গার্ডরেলের প্রতি সম্মান: নৈতিক নির্দেশিকা, সম্মতি বিধি এবং ব্যবসায়িক নীতিমালা খুবই গুরুত্বপূর্ণ। এজেন্টের স্বাধীনতা সবসময় নিরাপত্তা ব্যবস্থা এবং তত্ত্বাবধানের দ্বারা সীমাবদ্ধ থাকে (সম্ভবত?)।

প্রায়োগিক ব্যবহার এবং মূল্য

Agentic RAG পুনরাবৃত্তিমূলক সংশোধন এবং নির্ভুলতার প্রয়োজনীয় পরিস্থিতিতে কার্যকর:

1. সঠিকতা-প্রথম পরিবেশ: সম্মতি যাচাই, নিয়ন্ত্রক বিশ্লেষণ বা আইনি গবেষণায়, agentic মডেল বারবার তথ্য যাচাই করতে পারে, একাধিক উৎস পরামর্শ করতে পারে এবং একটি সম্পূর্ণ যাচাই করা উত্তর তৈরি না হওয়া পর্যন্ত প্রশ্ন পুনরায় লেখতে পারে।
2. জটিল ডেটাবেস ইন্টারঅ্যাকশন: কাঠামোবদ্ধ ডেটার সাথে কাজ করার সময় যেখানে প্রশ্নগুলো প্রায়ই ব্যর্থ হতে পারে বা সমন্বয় প্রয়োজন হতে পারে, সিস্টেমটি Azure SQL বা Microsoft Fabric OneLake ব্যবহার করে তার প্রশ্নগুলো স্বয়ংক্রিয়ভাবে সংশোধন করতে পারে, নিশ্চিত করে যে চূড়ান্ত retrieval ব্যবহারকারীর উদ্দেশ্যের সাথে সামঞ্জস্যপূর্ণ।
3. দীর্ঘতর কর্মপ্রবাহ: দীর্ঘতর সেশনগুলো নতুন তথ্য প্রকাশিত হওয়ার সাথে সাথে বিকশিত হতে পারে। Agentic RAG ক্রমাগত নতুন ডেটা অন্তর্ভুক্ত করতে পারে, সমস্যা ক্ষেত্র সম্পর্কে আরও শিখার সাথে সাথে কৌশল পরিবর্তন করতে পারে।

শাসন, স্বচ্ছতা এবং বিশ্বাস

যেহেতু এই সিস্টেমগুলো তাদের যুক্তিতে আরও স্বায়ত্তশাসিত হয়ে উঠছে, শাসন এবং স্বচ্ছতা অত্যন্ত গুরুত্বপূর্ণ:

• ব্যাখ্যাযোগ্য যুক্তি: মডেলটি তার তৈরি করা প্রশ্ন, পরামর্শ করা উৎস এবং তার সিদ্ধান্তে পৌঁছানোর জন্য নেওয়া যুক্তি ধাপগুলোর একটি অডিট ট্রেইল প্রদান করতে পারে। Azure AI Content Safety এবং Azure AI Tracing / GenAIOps-এর মতো টুল স্বচ্ছতা বজায় রাখতে এবং ঝুঁকি কমাতে সাহায্য করতে পারে।
• পক্ষপাত নিয়ন্ত্রণ এবং ভারসাম্যপূর্ণ retrieval: ডেভেলপাররা retrieval কৌশলগুলো টিউন করতে পারে যাতে ভারসাম্যপূর্ণ, প্রতিনিধিত্বমূলক ডেটা উৎসগুলো বিবেচনা করা হয় এবং পক্ষপাত বা skewed প্যাটার্ন সনাক্ত করতে আউটপুটগুলো নিয়মিতভাবে অডিট করতে পারে, Azure Machine Learning ব্যবহার করে উন্নত ডেটা সায়েন্স সংস্থার জন্য কাস্টম মডেল ব্যবহার করে।
• মানব তত্ত্বাবধান এবং সম্মতি: সংবেদনশীল কাজের জন্য, মানব পর্যালোচনা অপরিহার্য। Agentic RAG উচ্চ-ঝুঁকিপূর্ণ সিদ্ধান্তে মানব বিচারের বিকল্প নয়—এটি আরও সম্পূর্ণ যাচাই করা বিকল্প প্রদান করে মানব বিচারের সহায়ক হিসেবে কাজ করে।

যে টুলগুলো একটি স্পষ্ট কার্যক্রমের রেকর্ড প্রদান করে তা অপরিহার্য। এগুলো ছাড়া একটি বহু-ধাপের প্রক্রিয়া debug করা খুবই কঠিন হতে পারে। Literal AI ( Azure OpenAI Service দিয়ে Retrieval Augmented Generation (RAG) বাস্তবায়ন: শিখুন কীভাবে Azure OpenAI Service ব্যবহার করে আপনার নিজস্ব ডেটা কাজে লাগানো যায়। এই Microsoft Learn মডিউলটি RAG বাস্তবায়নের জন্য একটি বিস্তৃত গাইড প্রদান করে

• Azure AI Foundry দিয়ে জেনারেটিভ AI অ্যাপ্লিকেশনগুলোর মূল্যায়ন: এই প্রবন্ধে পাবলিক ডেটাসেট ব্যবহার করে মডেলগুলোর মূল্যায়ন এবং তুলনা নিয়ে আলোচনা করা হয়েছে, যার মধ্যে Agentic AI অ্যাপ্লিকেশন এবং RAG আর্কিটেকচার অন্তর্ভুক্ত
• Agentic RAG কী | Weaviate
• Agentic RAG: এজেন্ট-ভিত্তিক Retrieval Augmented Generation-এর একটি সম্পূর্ণ গাইড – Generation RAG থেকে খবর
• Agentic RAG: আপনার RAG-কে কোয়েরি রিফর্মুলেশন এবং সেল্ফ-কোয়েরি দিয়ে আরও শক্তিশালী করুন! Hugging Face ওপেন-সোর্স AI কুকবুক
• RAG-এ Agentic লেয়ার যোগ করা
• জ্ঞান সহায়কদের ভবিষ্যৎ: জেরি লিউ
• Agentic RAG সিস্টেম কীভাবে তৈরি করবেন
• আপনার AI এজেন্টগুলোকে স্কেল করার জন্য Azure AI Foundry Agent Service ব্যবহার

একাডেমিক গবেষণাপত্র

• 2303.17651 Self-Refine: সেল্ফ-ফিডব্যাক দিয়ে পুনরাবৃত্তি পরিমার্জন
• 2303.11366 Reflexion: ভাষাগত এজেন্ট এবং মৌখিক রিইনফোর্সমেন্ট লার্নিং
• 2305.11738 CRITIC: বড় ভাষাগত মডেলগুলো টুল-ইন্টারঅ্যাকটিভ সমালোচনার মাধ্যমে নিজেকে সংশোধন করতে পারে
• 2501.09136 Agentic Retrieval-Augmented Generation: Agentic RAG-এর উপর একটি সমীক্ষা

পূর্ববর্তী পাঠ

টুল ব্যবহারের ডিজাইন প্যাটার্ন

পরবর্তী পাঠ

বিশ্বাসযোগ্য AI এজেন্ট তৈরি

---

অস্বীকৃতি:
এই নথিটি AI অনুবাদ পরিষেবা Co-op Translator ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসম্ভব সঠিক অনুবাদের চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। নথিটির মূল ভাষায় লেখা সংস্করণটিকেই প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ ব্যবহার করার পরামর্শ দেওয়া হচ্ছে। এই অনুবাদ ব্যবহারের ফলে সৃষ্ট কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়ী নই।

This site is open source. Improve this page.