ai-agents-for-beginners

(এই পাঠের ভিডিও দেখতে উপরের ছবিটিতে ক্লিক করুন)

Agentic RAG

এই পাঠটি Agentic Retrieval-Augmented Generation (Agentic RAG) এর একটি ব্যাপক ওভারভিউ প্রদান করে, যা একটি উদীয়মান AI প্যারাডাইম যেখানে বড় ভাষা মডেলগুলি (LLMs) স্বতন্ত্রভাবে তাদের পরবর্তী পদক্ষেপ পরিকল্পনা করে এবং বাহ্যিক উৎস থেকে তথ্য সংগ্রহ করে। স্থির retrieval-then-read প্যাটার্নগুলির বিপরীতে, Agentic RAG LLM এর পুনরাবৃত্ত কলের সাথে টুল বা ফাংশন কল এবং গঠনমূলক আউটপুট অন্তর্ভুক্ত করে। সিস্টেমটি ফলাফল মূল্যায়ন করে, প্রশ্নগুলি পরিমার্জন করে, প্রয়োজনে অতিরিক্ত সরঞ্জাম চালায় এবং যতক্ষণ না সন্তোষজনক সমাধান পাওয়া যায় এই চক্র চালিয়ে যায়।

পরিচিতি

এই পাঠে আলোচনা করা হবে

• Agentic RAG বুঝুন: AI-তে উদীয়মান প্যারাডাইম সম্পর্কে শিখুন যেখানে বড় ভাষা মডেলগুলি (LLMs) স্বতন্ত্রভাবে তাদের পরবর্তী পদক্ষেপ পরিকল্পনা করে বাহ্যিক ডেটা সোর্স থেকে তথ্য সংগ্রহ করে।
• পুনরাবৃত্ত Maker-Checker স্টাইল অনুধাবন করুন: LLM এর পুনরাবৃত্ত কলের লুপ বোঝার চেষ্টা করুন, যার মধ্যে টুল বা ফাংশন কল এবং গঠিত আউটপুট থাকে, যা সঠিকতা উন্নত করতে এবং খারাপ প্রশ্নগুলি সামলাতে ডিজাইন করা হয়েছে।
• প্রায়োগিক ব্যবহার অন্বেষণ করুন: সঠিকতা-প্রথম পরিবেশ, জটিল ডেটাবেস ইন্টারঅ্যাকশন এবং দীর্ঘতর ওয়ার্কফ্লোসহ এমন পরিস্থিতি চিহ্নিত করুন যেখানে Agentic RAG দৃশ্যমান।

শেখার লক্ষ্যসমূহ

এই পাঠ শেষ করার পরে, আপনি নিম্নলিখিতগুলি জানতে/বোঝার সক্ষম হবেন:

• Agentic RAG বুঝুন: এমন একটি উদীয়মান প্যারাডাইম সম্পর্কে শিখুন যেখানে বড় ভাষা মডেলগুলি (LLMs) স্বতন্ত্রভাবে তাদের পরবর্তী পদক্ষেপ পরিকল্পনা করে বাহ্যিক ডেটা সোর্স থেকে তথ্য সংগ্রহ করে।
• পুনরাবৃত্ত Maker-Checker স্টাইল: LLM এর পুনরাবৃত্ত কলের লুপ এর ধারণা বোঝুন, যার সাথে টুল বা ফাংশন কল এবং গঠিত আউটপুট থাকে, যা সঠিকতা উন্নত ও খারাপ প্রশ্নগুলি সামলাতে সহায়ক।
• যুক্তি প্রক্রিয়ার মালিকানা গ্রহণ করা: সিস্টেমের নিজের যুক্তি প্রক্রিয়া নিজেই নিয়ন্ত্রণ করার ক্ষমতা বোঝুন, যেখানে সমস্যার সমাধানে কিভাবে এগোতে হবে সিদ্ধান্ত নেয়, নির্ধারিত পথ অনুসরণ নয়।
• ওয়ার্কফ্লো: বুঝুন কিভাবে একটি agentic মডেল স্বতন্ত্রভাবে বাজার প্রবণতা রিপোর্ট রিট্রাইভ করা, প্রতিযোগী তথ্য চিহ্নিত করা, অভ্যন্তরীণ বিক্রয় পরিমাপ সমন্বয় করা, ফলাফল সংকলন ও কৌশল মূল্যায়ন সিদ্ধান্ত নেয়।
• পুনরাবৃত্ত লুপ, টুল ইন্টিগ্রেশন এবং মেমরি: সিস্টেমটি একটি লুপ্ড ইন্টারঅ্যাকশন প্যাটার্নের উপর নির্ভর করে, যা স্টেট এবং মেমরি সংরক্ষণ করে একই ক্রিয়া বারবার করতে বাধা দেয় এবং তথ্যভিত্তিক সিদ্ধান্ত নিতে সাহায্য করে।
• ব্যর্থতা মোড ও স্ব-শোধনের মোকাবিলা: সিস্টেমের শক্তিশালী স্ব-শোধন প্রক্রিয়াগুলি অন্বেষণ করুন, যেমন পুনরাবৃত্তি ও পুনরায় প্রশ্ন করা, ডায়াগনস্টিক টুল ব্যবহার, এবং মানব তত্ত্বাবধানে ফেরার ক্ষমতা।
• এজেন্সির সীমানা: Agentic RAG এর সীমাবদ্ধতা বুঝুন, যেমন ডোমেইন-নির্দিষ্ট স্বায়ত্তশাসন, ইনফ্রাস্ট্রাকচার নির্ভরতা, এবং গার্ডরেল সম্মান।
• প্রায়োগিক ব্যবহার ও মূল্য: এমন পরিস্থিতি চিহ্নিত করুন যেখানে Agentic RAG উজ্জ্বল, যেমন সঠিকতা-প্রথম পরিবেশ, জটিল ডেটাবেস ইন্টারঅ্যাকশন, এবং দীর্ঘতর ওয়ার্কফ্লো।
• সরকারি তত্ত্বাবধান, স্বচ্ছতা এবং বিশ্বাস: শিখুন প্রশাসনিক নিয়ন্ত্রণ ও স্বচ্ছতার গুরুত্ব, যেমন ব্যাখ্যাযোগ্য যুক্তি, পক্ষপাত নিয়ন্ত্রণ এবং মানব তত্ত্বাবধান।

Agentic RAG কি?

Agentic Retrieval-Augmented Generation (Agentic RAG) একটি উদীয়মান AI প্যারাডাইম যেখানে বড় ভাষা মডেলগুলি (LLMs) স্বতন্ত্রভাবে তাদের পরবর্তী পদক্ষেপ পরিকল্পনা করে বাহ্যিক উৎস থেকে তথ্য সংগ্রহ করে। স্থির retrieval-then-read প্যাটার্নের মতো নয়, Agentic RAG LLM এ পুনরাবৃত্ত কলের সাথে টুল বা ফাংশন কল এবং গঠনমূলক আউটপুটের সংমিশ্রণ থাকে। সিস্টেমটি ফলাফল বিশ্লেষণ করে, প্রশ্নগুলো পরিমার্জন করে, প্রয়োজনে অতিরিক্ত টুল কল করে এবং এই চক্র চালিয়ে যায় যতক্ষণ না একটি সন্তোষজনক সমাধান আসে। এই পুনরাবৃত্ত “maker-checker” স্টাইল সঠিকতা উন্নত করে, খারাপ প্রশ্নগুলো সামলায় এবং উচ্চ-মানের ফলাফল নিশ্চিত করে।

সিস্টেমটি সক্রিয়ভাবে তার যুক্তি প্রক্রিয়ার মালিকানা গ্রহণ করে, ব্যর্থ প্রশ্ন পুনর্লিখন করে, ভিন্ন retrieval পদ্ধতি বেছে নেয় এবং একাধিক টুল ইন্টিগ্রেট করে—যেমন Azure AI Search এর ভেক্টর অনুসন্ধান, SQL ডেটাবেস বা কাস্টম API—তার উত্তর নির্ধারণের আগে। একটি agentic সিস্টেমের আলাদা গুণ হল এটি স্বায়ত্তশাসিতভাবে তার যুক্তি প্রক্রিয়া নিয়ন্ত্রণ করে। প্রচলিত RAG পদ্ধতিগুলি পূর্বনির্ধারিত পথের উপর নির্ভর করে, কিন্তু agentic সিস্টেম তথ্যের গুণগত মানের ভিত্তিতে পদক্ষেপের ক্রম নির্ধারণ করে।

Agentic Retrieval-Augmented Generation (Agentic RAG) সংজ্ঞা

Agentic Retrieval-Augmented Generation (Agentic RAG) AI উন্নয়নে একটি উদীয়মান প্যারাডাইম যেখানে LLM গুলো শুধু বাহ্যিক তথ্য সোর্স থেকে তথ্য সংগ্রহ করে না, বরং স্বতন্ত্রভাবে তাদের পরবর্তী পদক্ষেপ পরিকল্পনা করে। স্থির retrieval-then-read প্যাটার্ন বা সাবধানে নকশা করা প্রম্পট সিকোয়েন্সের পরিবর্তে, Agentic RAG LLM এর পুনরাবৃত্ত কলের একটি লুপ নিয়ে কাজ করে, যার মাঝে টুল বা ফাংশনের কল এবং গঠনমূলক আউটপুট থাকে। প্রতিটি পর্যায়ে, সিস্টেম প্রাপ্ত ফলাফল মূল্যায়ন করে, প্রশ্ন পরিমার্জনের প্রয়োজনীয়তা নির্ধারণ করে, প্রয়োজনে অতিরিক্ত টুল চালায়, এবং যতক্ষণ না সন্তোষজনক সমাধান আসে এই চক্র চালিয়ে যায়।

এই পুনরাবৃত্ত “maker-checker” অপারেশন স্টাইল সঠিকতা উন্নত করতে, খারাপভাবে গঠিত প্রশ্নগুলি (যেমন NL2SQL) সামলাতে এবং সুষম, উচ্চ-মানের ফলাফল নিশ্চিত করতে ডিজাইন করা হয়েছে। সাবধানে নকশা করা প্রম্পট চেইনগুলির উপর সম্পূর্ণ নির্ভর করার পরিবর্তে, সিস্টেম নিজে এর যুক্তি প্রক্রিয়া নিয়ন্ত্রণ করে। এটি ব্যর্থ প্রশ্ন পুনর্লিখন করতে পারে, ভিন্ন retrieval পদ্ধতি বেছে নিতে পারে, একাধিক টুল ইন্টিগ্রেট করতে পারে—যেমন Azure AI Search এর ভেক্টর অনুসন্ধান, SQL ডেটাবেস বা কাস্টম API—তার উত্তর চূড়ান্ত করার আগে। এটি অতিরিক্ত জটিল অর্কেস্ট্রেশন ফ্রেমওয়ার্কের প্রয়োজনীয়তা দূর করে। বরং একটি তুলনামূলক সহজ লুপ “LLM কল → টুল ব্যবহার → LLM কল → …” জটিল এবং ভালো ভিত্তিক আউটপুট দিতে সক্ষম।

যুক্তি প্রক্রিয়ার মালিকানা গ্রহণ

যেই বৈশিষ্ট্য একটি সিস্টেমকে “agentic” করে তোলে তা হলো তার নিজস্ব যুক্তি প্রক্রিয়া নিয়ন্ত্রণের ক্ষমতা। প্রচলিত RAG বাস্তবায়ন প্রায়ই মানুষের দ্বারা মডেলের জন্য পূর্বনির্ধারিত পথের উপর নির্ভর করে: একটি চিন্তার শৃঙ্খলা যা নির্ধারণ করে কী কখন রিট্রিভ করতে হবে। তবে যখন একটি সিস্টেম সত্যিই agentic হয়, তখন সেটি অভ্যন্তরে সিদ্ধান্ত নেয় কীভাবে সমস্যা সমাধান করতে হবে। এটি শুধুমাত্র একটি স্ক্রিপ্ট চালানো নয়; এটি তথ্যের গুণগত মানের ভিত্তিতে পদক্ষেপের ক্রম স্বতন্ত্রভাবে নির্ধারণ করে। উদাহরণস্বরূপ, যদি এটি একটি পণ্য লঞ্চ কৌশল তৈরি করতে বলা হয়, তবে এটি সম্পূর্ণ গবেষণা এবং সিদ্ধান্ত নেওয়ার ওয়ার্কফ্লো স্পষ্ট করে দেযা প্রম্পটের ওপর নির্ভর করে না। বরং, agentic মডেল স্বাধীনভাবে সিদ্ধান্ত নেয়:

১. Bing Web Grounding ব্যবহার করে বর্তমান বাজার প্রবণতা রিপোর্ট রিট্রিভ করা ২. Azure AI Search ব্যবহার করে প্রাসঙ্গিক প্রতিযোগী তথ্য শনাক্ত করা। ৩. Azure SQL Database ব্যবহার করে ঐতিহাসিক অভ্যন্তরীণ বিক্রয় মেট্রিক্স সমন্বয় করা। ৪. Azure OpenAI Service এর মাধ্যমে তথ্য একত্রিত করে একটি সঙ্গতিপূর্ণ কৌশল তৈরি করা। ৫. কৌশলের ফাঁক-ফোকর বা বৈপরীত্যের মূল্যায়ন, প্রয়োজনে পুনরায় রিট্রিভাল রাউন্ড পরিচালনা করা। এই সব ধাপ—প্রশ্ন পরিমার্জন, সোর্স নির্বাচন, “সন্তুষ্ট” হওয়া পর্যন্ত পুনরাবৃত্তি—মডেল নিজেই নির্ধারণ করে, মানুষের দ্বারা পূর্বনির্ধারিত নয়।

পুনরাবৃত্ত লুপ, টুল ইন্টিগ্রেশন এবং মেমরি

একটি agentic সিস্টেম লুপ্ড ইন্টারঅ্যাকশন প্যাটার্নের উপর নির্ভর করে:

• প্রাথমিক কল: ব্যবহারকারীর লক্ষ্য (অর্থাৎ ব্যবহারকারীর প্রম্পট) LLM এ উপস্থাপন করা হয়।
• টুল চালনা: যদি মডেল অনুপস্থিত তথ্য বা অস্পষ্ট নির্দেশনা খুঁজে পায়, তবে এটি একটি টুল বা retrieval পদ্ধতি বেছে নেয়—যেমন ভেক্টর ডাটাবেস অনুসন্ধান (যেমন Azure AI Search Hybrid প্রাইভেট ডেটার ওপর) বা গঠনমূলক SQL কল—অতিরিক্ত তথ্য সংগ্রহ করতে।
• মূল্যায়ন ও পরিমার্জন: প্রাপ্ত তথ্য পর্যালোচনা করে, মডেল নির্ধারণ করে তথ্য যথেষ্ট কিনা। যদি না হয়, তবে প্রশ্ন পরিমার্জন করে, অন্য টুল চেষ্টা করে, বা নিজকেও সামঞ্জস্য করে।
• সন্তুষ্ট না হওয়া পর্যন্ত পুনরাবৃত্তি: এই চক্র চলতে থাকে যতক্ষণ না মডেল চূড়ান্ত, যুক্তিযুক্ত উত্তর দেওয়ার জন্য যথেষ্ট স্পষ্টতা এবং প্রমাণ পায়।
• মেমরি ও স্টেট: সিস্টেমটি ধাপগুলির মধ্যে স্টেট এবং স্মৃতি বজায় রাখে, পূর্বের প্রচেষ্টা এবং ফলাফল মনে রাখতে পারে, ফলে পুনরাবৃত্ত লুপ এড়ায় এবং আরও তথ্যভিত্তিক সিদ্ধান্ত নেয়।

সময়ের সঙ্গে, এটি একটি বিকাশমান বোঝাপড়ার অনুভূতি তৈরি করে, মডেলকে জটিল, বহু-ধাপের কাজগুলি পরিচালনা করতে সক্ষম করে, যেখানে মানুষের নিয়মিত হস্তক্ষেপ বা প্রম্পট রূপান্তরের প্রয়োজন হয় না।

ব্যর্থতা মোডগুলি মোকাবিলা এবং স্ব-শোধন

Agentic RAG এর স্বায়ত্তশাসন শক্তিশালী স্ব-শোধন প্রক্রিয়াগুলিও অন্তর্ভুক্ত করে। যখন সিস্টেম নিরর্থক ডকুমেন্ট রিট্রিভ করে বা খারাপ প্রশ্নের সম্মুখীন হয়, তখন এটি পারে:

• পুনরাবৃত্তি এবং পুনরায় প্রশ্ন করা: কম-মূল্যের উত্তর দেওয়ার পরিবর্তে, মডেল নতুন অনুসন্ধান কৌশল চেষ্টা করে, ডেটাবেস প্রশ্ন পুনর্লিখন করে, অথবা বিকল্প তথ্য সেট বিবেচনা করে।
• ডায়াগনস্টিক টুল ব্যবহারে: সিস্টেম অতিরিক্ত ফাংশন কল করতে পারে যা তাকে যুক্তির ধাপগুলো ডিবাগ করতে বা প্রাপ্ত তথ্যের সঠিকতা নিশ্চিত করতে সাহায্য করে। Azure AI Tracing এর মতো টুলগুলি দৃঢ় পর্যবেক্ষণ এবং মনিটরিং সক্ষম করবে।
• মানব তত্ত্বাবধানের ওপর নির্ভরতা: উচ্চ-ঝুঁকিপূর্ণ বা বারংবার ব্যর্থ অবস্থার জন্য, মডেল অনিশ্চয়তা চিহ্নিত করে এবং মানব গাইডেন্স অনুরোধ করতে পারে। যখন মানুষ সংশোধনী প্রতিক্রিয়া দেয়, মডেল ভবিষ্যতে সেই শিক্ষা অন্তর্ভুক্ত করতে পারে।

এই পুনরাবৃত্ত এবং গতিশীল পদ্ধতি মডেলকে ক্রমাগত উন্নত হতে দেয়, নিশ্চিত করে এটি শুধু এককালীন সিস্টেম নয় বরং একটি সেটিংসেশনে ভুল থেকে শেখে এমন সিস্টেম।

এজেন্সির সীমান্ত

একটি কাজের ভেতরে স্বায়ত্তশাসন থাকা সত্ত্বেও, Agentic RAG কৃত্রিম সার্বজনীন বুদ্ধিমত্তার অনুরূপ নয়। এর “agentic” ক্ষমতাগুলি মানুষের দ্বারা প্রদত্ত টুল, তথ্য উৎস এবং নীতিমালা দ্বারা সীমাবদ্ধ। এটি নিজের টুল আবিষ্কার করতে পারে না বা নির্ধারিত ডোমেইনের বাহিরে পদক্ষেপ নিতে পারে না। বরং এটি হাতে থাকা সংস্থানগুলি গতিশীলভাবে পরিচালনা করতে দক্ষ। উন্নত AI ধরন থেকে মূল পার্থক্যগুলি হলো:

১. ডোমেইন-নির্দিষ্ট স্বায়ত্তশাসন: Agentic RAG সিস্টেমগুলি একটি পরিচিত ডোমেইনে ব্যবহারকারী-নির্ধারিত লক্ষ্য অর্জনের উপর মনোযোগ দেয়, আউটকাম উন্নত করতে প্রশ্ন পুনর্লিখন বা টুল নির্বাচনের কৌশল ব্যবহার করে। ২. ইনফ্রাস্ট্রাকচার-নির্ভর: সিস্টেমের সক্ষমতা ডেভেলপারদের দ্বারা ইন্টিগ্রেট করা টুল এবং ডেটার ওপর নির্ভর করে। এটি মানব হস্তক্ষেপ ব্যতীত এই সীমা অতিক্রম করতে পারে না। ৩. গার্ডরেল সম্মান: নৈতিক নির্দেশিকা, কমপ্লায়েন্স নিয়ম এবং ব্যবসায়িক নীতিমালা খুবই গুরুত্বপূর্ণ। এজেন্টের স্বাধীনতা সবসময় নিরাপত্তা ও তত্ত্বাবধান ব্যবস্থা দ্বারা সীমাবদ্ধ।

বাস্তব ব্যবহার ও মূল্য

Agentic RAG এমন পরিস্থিতিতে উজ্জ্বল যেখানে পুনরাবৃত্ত পরিমার্জন এবং নির্ভুলতা প্রয়োজন:

১. সঠিকতা-প্রথম পরিবেশ: সম্মতি চেক, নিয়ন্ত্রক বিশ্লেষণ বা আইনি গবেষণায়, agentic মডেল বারবার তথ্য যাচাই করতে পারে, একাধিক উৎস পরামর্শ করতে পারে, এবং প্রশ্ন পুনর্লিখন করে যতক্ষণ না একটি পরিপূর্ণ যাচাই করা উত্তর তৈরি হয়। ২. জটিল ডেটাবেস ইন্টারঅ্যাকশন: যেখানে গঠনমূলক ডেটার প্রশ্ন প্রায়ই ব্যর্থ হতে পারে বা সমন্বয় প্রয়োজন, সিস্টেম স্বয়ংক্রিয়ভাবে Azure SQL বা Microsoft Fabric OneLake ব্যবহার করে তার প্রশ্নগুলি পরিমার্জন করতে পারে, নিশ্চিত করে যে চূড়ান্ত রিট্রিভাল ব্যবহারকারীর উদ্দেশ্যের সাথে সামঞ্জস্যপূর্ণ। ৩. বর্ধিত ওয়ার্কফ্লো: দীর্ঘমেয়াদী সেশনগুলি নতুন তথ্য পাওয়ার সঙ্গে বিকশিত হতে পারে। Agentic RAG নতুন তথ্য ক্রমাগত অন্তর্ভুক্ত করতে পারে, সমস্যা ক্ষেত্র সম্পর্কে আরও জানার সঙ্গে কৌশল পরিবর্তন করতে পারে।

প্রশাসন, স্বচ্ছতা এবং বিশ্বাস

এই সিস্টেমগুলি যত বেশি স্বায়ত্তশাসিত হয় তাদের যুক্তিতে, প্রশাসন এবং স্বচ্ছতা অপরিহার্য:

• ব্যাখ্যাযোগ্য যুক্তি: মডেল তৈরি করা প্রশ্নের অডিট ট্রেইল প্রদান করতে পারে, যেসব সোর্স পরামর্শ করেছে, এবং সিদ্ধান্তে পৌঁছাতে নেওয়া যুক্তির ধাপ। Azure AI Content Safety এবং Azure AI Tracing / GenAIOps এর মতো টুল স্বচ্ছতা বজায় রাখতে এবং ঝুঁকি কমাতে সাহায্য করবে।
• পক্ষপাত নিয়ন্ত্রণ ও সুষম retrieval: ডেভেলপাররা retrieval কৌশল সমন্বয় করতে পারে যাতে সুষম, প্রতিনিধিত্বমূলক তথ্য উৎস বিবেচিত হয়, এবং নিয়মিত আউটপুট যাচাই করে পক্ষপাত বা বিকৃতির ধরন সনাক্ত করতে পারে, উদাহরণস্বরূপ Azure Machine Learning ব্যবহার করে উন্নত ডেটা সায়েন্স অর্গানাইজেশনের জন্য।
• মানব তত্ত্বাবধান ও কমপ্লায়েন্স: সংবেদনশীল কাজের জন্য, মানব পর্যালোচনা অপরিহার্য। Agentic RAG উচ্চ-ঝুঁকিপূর্ণ সিদ্ধান্তে মানব বিচার প্রতিস্থাপন করে না—এটি আরও সম্পূর্ণ যাচাই করা অপশন সরবরাহ করে তা বাড়ায়।

এমন টুল থাকা অত্যাবশ্যক যা একশনগুলোর স্পষ্ট রেকর্ড প্রদান করে। সেগুলি ছাড়া, বহু-ধাপ প্রক্রিয়া ডিবাগ করা খুব কঠিন। নিচে Literal AI (Chainlit এর সঙ্গে সংযুক্ত কোম্পানি) থেকে একটি Agent run এর উদাহরণ দেখুন:

উপসংহার

Agentic RAG AI সিস্টেমগুলো কিভাবে জটিল, তথ্যনির্ভর কাজগুলি পরিচালনা করে তার একটি প্রাকৃতিক বিবর্তন উপস্থাপন করে। একটি লুপ্ড ইন্টারঅ্যাকশন প্যাটার্ন গ্রহণ করে, স্বতন্ত্রভাবে টুল বেছে নিয়ে এবং উচ্চ-মানের ফলাফল লাভ করতে প্রশ্ন পরিমার্জন করে, সিস্টেমটি স্থির প্রম্পট-অনুসরণ থেকে পেরিয়ে একটি বেশি অভিযোজিত, প্রাসঙ্গিক সিদ্ধান্তগ্রহণকারী হয়ে ওঠে। যদিও এখনো মানুষের নির্ধারিত অবকাঠামো ও নৈতিক নির্দেশনায় সীমাবদ্ধ, এই agentic ক্ষমতাগুলি প্রতিষ্ঠান ও শেষ ব্যবহারকারীর জন্য আরও সমৃদ্ধ, গতিশীল এবং কার্যকর AI ইন্টারঅ্যাকশনের সুযোগ করে দেয়।

Agentic RAG সম্পর্কে আরো প্রশ্ন আছে?

অন্য শিক্ষার্থীদের সাথে মেলামেশা করতে, অফিস আওয়ার অংশগ্রহণ করতে এবং আপনার AI এজেন্ট সম্পর্কিত প্রশ্নের উত্তর পেতে Microsoft Foundry Discord এ যোগ দিন।

অতিরিক্ত সম্পদ

• Azure OpenAI Service সহ Retrieval Augmented Generation (RAG) বাস্তবায়ন করুন: Azure OpenAI সার্ভিসের মাধ্যমে আপনার নিজস্ব ডেটা ব্যবহার শিখুন। এই Microsoft Learn মডিউল একটি ব্যাপক গাইড প্রদান করে RAG বাস্তবায়নের উপর।
• Microsoft Foundry সহ জেনেরেটিভ AI অ্যাপ্লিকেশনগুলোর মূল্যায়ন: এই প্রবন্ধে পাবলিক ডেটাসেটের উপর মডেলগুলোর মূল্যায়ন ও তুলনা করা হয়েছে, যার মধ্যে Agentic AI অ্যাপ্লিকেশন এবং RAG আর্কিটেকচার অন্তর্ভুক্ত।
• Agentic RAG কী | Weaviate

• Agentic RAG: Agent-Based Retrieval Augmented Generation এর সম্পূর্ণ নির্দেশিকা – News from generation RAG

• এজেন্টিক RAG: কোয়েরি পুনর্বিন্যাস এবং স্ব-কোয়েরি দিয়ে আপনার RAG কে টার্বোচার্জ করুন! হাগিং ফেস ওপেন-সোর্স AI কুকবুক
• RAG এ এজেন্টিক লেয়ার যোগ করা
• জ্ঞান সহায়কদের ভবিষ্যত: জেরি লিউ
• কিভাবে এজেন্টিক RAG সিস্টেম তৈরি করবেন
• মাইক্রোসফট ফাউন্ডরি এজেন্ট সার্ভিস ব্যবহার করে আপনার AI এজেন্টগুলো স্কেল করা

একাডেমিক পত্রিকা

• 2303.17651 সেলফ-রিফাইন: স্ব-প্রতিক্রিয়ার মাধ্যমে ধারাবাহিক সংশোধন
• 2303.11366 রিফ্লেক্সন: মৌখিক রিইনফোর্সমেন্ট লার্নিং সহ ভাষা এজেন্ট
• 2305.11738 CRITIC: বড় ভাষা মডেলগুলি টুল-ইন্টারঅ্যাকটিভ সমালোচনার মাধ্যমে স্ব-সংশোধন করতে পারে
• 2501.09136 এজেন্টিক রিট্রিভাল-অগমেন্টেড জেনারেশন: এজেন্টিক RAG উপর একটি জরিপ

এই এজেন্টের স্মোক-টেস্ট (ঐচ্ছিক)

Lesson 16 এ আপনি এজেন্ট মোতায়েন করা শিখার পরে, আপনি এই পাঠের TravelRAGAgent স্মোক-টেস্ট করতে পারেন — নিশ্চিত করার জন্য যে এর উত্তরগুলি জ্ঞানভিত্তিক আছে — tests/lesson-05-smoke-tests.json দিয়ে। এটি চালানোর উপায় জানার জন্য tests/README.md দেখুন।

পূর্ববর্তী পাঠ

টুল ব্যবহারের ডিজাইন প্যাটার্ন

পরবর্তী পাঠ

বিশ্বস্ত AI এজেন্ট তৈরি করা

---

অস্বীকৃতি: এই নথিটি AI অনুবাদ পরিষেবা Co-op Translator ব্যবহার করে অনূদিত হয়েছে। যদিও আমরা শুদ্ধতার জন্য চেষ্টা করি, অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল নথিটি তার স্বভাষায় কর্তৃত্বপূর্ণ উৎস হিসেবে বিবেচিত হওয়া উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ সুপারিশ করা হয়। এই অনুবাদের ব্যবহারে প্রয়োজনীয় ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়বদ্ধ নই।

This site is open source. Improve this page.