ai-agents-for-beginners

(Κάντε κλικ στην εικόνα παραπάνω για να δείτε το βίντεο αυτής της μαθήματος)

Agentic RAG

Αυτό το μάθημα παρέχει μια ολοκληρωμένη επισκόπηση του Agentic Retrieval-Augmented Generation (Agentic RAG), ενός αναδυόμενου παραδείγματος AI όπου μεγάλα γλωσσικά μοντέλα (LLMs) σχεδιάζουν αυτόνομα τα επόμενα βήματά τους ενώ αντλούν πληροφορίες από εξωτερικές πηγές. Σε αντίθεση με τα στατικά πρότυπα ανάκτησης-και-ανάγνωσης, το Agentic RAG περιλαμβάνει επαναληπτικές κλήσεις στο LLM, διακοπτόμενες από κλήσεις εργαλείων ή λειτουργιών και δομημένες εξόδους. Το σύστημα αξιολογεί τα αποτελέσματα, βελτιώνει τα ερωτήματα, καλεί πρόσθετα εργαλεία αν χρειαστεί και συνεχίζει αυτόν τον κύκλο μέχρι να επιτευχθεί μια ικανοποιητική λύση.

Εισαγωγή

Σε αυτό το μάθημα θα καλυφθούν

• Κατανόηση του Agentic RAG: Μάθετε για το αναδυόμενο παράδειγμα στην AI όπου μεγάλα γλωσσικά μοντέλα (LLMs) σχεδιάζουν αυτόνομα τα επόμενα βήματά τους ενώ αντλούν πληροφορίες από εξωτερικές πηγές δεδομένων.
• Κατανόηση της Επαναληπτικής μεθόδου Maker-Checker: Κατανοήστε τον κύκλο επαναληπτικών κλήσεων στο LLM, διακοπτόμενων από κλήσεις εργαλείων ή λειτουργιών και δομημένες εξόδους, σχεδιασμένο να βελτιώνει την ορθότητα και να χειρίζεται κακώς μορφοποιημένα ερωτήματα.
• Εξερεύνηση Πρακτικών Εφαρμογών: Εντοπίστε σενάρια όπου το Agentic RAG ξεχωρίζει, όπως περιβάλλοντα με προτεραιότητα στην ορθότητα, σύνθετες αλληλεπιδράσεις με βάσεις δεδομένων και εκτεταμένες ροές εργασιών.

Στόχοι Μάθησης

Μετά την ολοκλήρωση αυτού του μαθήματος, θα γνωρίζετε/κατανοείτε:

• Κατανόηση του Agentic RAG: Μάθετε για το αναδυόμενο παράδειγμα στην AI όπου μεγάλα γλωσσικά μοντέλα (LLMs) σχεδιάζουν αυτόνομα τα επόμενα βήματά τους ενώ αντλούν πληροφορίες από εξωτερικές πηγές δεδομένων.
• Επαναληπτική Μέθοδος Maker-Checker: Κατανοήστε την έννοια ενός κύκλου επαναληπτικών κλήσεων στο LLM, διακοπτόμενων από κλήσεις εργαλείων ή λειτουργιών και δομημένες εξόδους, σχεδιασμένο να βελτιώνει την ορθότητα και να χειρίζεται κακώς μορφοποιημένα ερωτήματα.
• Κατοχή της Διαδικασίας Συλλογισμού: Κατανοήστε την ικανότητα του συστήματος να κατέχει τη διαδικασία συλλογισμού του, λαμβάνοντας αποφάσεις για το πώς να προσεγγίσει προβλήματα χωρίς να βασίζεται σε προκαθορισμένες διαδρομές.
• Ροή Εργασίας: Κατανοήστε πώς ένα agentic μοντέλο αποφασίζει ανεξάρτητα να αναζητήσει αναφορές τάσεων αγοράς, να εντοπίσει δεδομένα ανταγωνιστών, να συσχετίσει εσωτερικά μετρικά πωλήσεων, να συνθέσει τα ευρήματα και να αξιολογήσει τη στρατηγική.
• Επαναληπτικοί Κύκλοι, Ενσωμάτωση Εργαλείων και Μνήμη: Μάθετε για την εξάρτηση του συστήματος από ένα πρότυπο αλληλεπίδρασης με κυκλικές διαδικασίες, διατηρώντας κατάσταση και μνήμη κατά τα βήματα ώστε να αποφεύγονται επαναλαμβανόμενοι κύκλοι και να λαμβάνονται τεκμηριωμένες αποφάσεις.
• Χειρισμός Λειτουργικών Αποτυχιών και Αυτο-διόρθωση: Εξερευνήστε τους μηχανισμούς αυτο-διόρθωσης του συστήματος, συμπεριλαμβανομένου του επαναληπτικού και επανα-ερωτήματος, της χρήσης διαγνωστικών εργαλείων και της απόβασης σε ανθρώπινη επίβλεψη.
• Όρια της Δύναμης Ανάληψης Πρωτοβουλίας: Κατανοήστε τους περιορισμούς του Agentic RAG, εστιάζοντας στην ειδική αυτονομία για το πεδίο, την εξάρτηση από υποδομή και την τήρηση των κανόνων ασφαλείας.
• Πρακτικά Σενάρια Χρήσης και Αξία: Εντοπίστε σενάρια όπου το Agentic RAG ξεχωρίζει, όπως περιβάλλοντα με προτεραιότητα στην ορθότητα, σύνθετες αλληλεπιδράσεις με βάσεις δεδομένων και εκτεταμένες ροές εργασιών.
• Διακυβέρνηση, Διαφάνεια και Εμπιστοσύνη: Μάθετε για τη σημασία της διακυβέρνησης και της διαφάνειας, συμπεριλαμβανομένης της εξηγήσιμης συλλογιστικής, του ελέγχου προκαταλήψεων και της ανθρώπινης επίβλεψης.

Τι είναι το Agentic RAG;

Το Agentic Retrieval-Augmented Generation (Agentic RAG) είναι ένα αναδυόμενο παράδειγμα AI όπου μεγάλα γλωσσικά μοντέλα (LLMs) σχεδιάζουν αυτόνομα τα επόμενα βήματά τους ενώ αντλούν πληροφορίες από εξωτερικές πηγές. Σε αντίθεση με τα στατικά πρότυπα ανάκτησης-και-ανάγνωσης, το Agentic RAG περιλαμβάνει επαναληπτικές κλήσεις στο LLM, διακοπτόμενες από κλήσεις εργαλείων ή λειτουργιών και δομημένες εξόδους. Το σύστημα αξιολογεί τα αποτελέσματα, βελτιώνει τα ερωτήματα, καλεί πρόσθετα εργαλεία αν χρειαστεί και συνεχίζει αυτόν τον κύκλο μέχρι να επιτευχθεί μια ικανοποιητική λύση. Αυτή η επαναληπτική μέθοδος τύπου “maker-checker” βελτιώνει την ορθότητα, χειρίζεται κακώς μορφοποιημένα ερωτήματα και διασφαλίζει αποτελέσματα υψηλής ποιότητας.

Το σύστημα κατέχει ενεργά τη διαδικασία συλλογισμού του, ξαναγράφοντας αποτυχημένα ερωτήματα, επιλέγοντας διαφορετικές μεθόδους ανάκτησης και ενσωματώνοντας πολλαπλά εργαλεία—όπως αναζήτηση vector στο Azure AI Search, βάσεις δεδομένων SQL ή προσαρμοσμένα APIs—πριν οριστικοποιήσει την απάντησή του. Το διακριτικό χαρακτηριστικό ενός agentic συστήματος είναι η ικανότητά του να κατέχει τη διαδικασία συλλογισμού του. Παραδοσιακές υλοποιήσεις RAG βασίζονται σε προκαθορισμένες διαδρομές, όμως ένα agentic σύστημα καθορίζει αυτόνομα τη σειρά των βημάτων βάσει της ποιότητας των πληροφοριών που βρίσκει.

Ορισμός του Agentic Retrieval-Augmented Generation (Agentic RAG)

Το Agentic Retrieval-Augmented Generation (Agentic RAG) είναι ένα αναδυόμενο παράδειγμα ανάπτυξης AI όπου τα LLMs όχι μόνο αντλούν πληροφορίες από εξωτερικές πηγές δεδομένων αλλά και σχεδιάζουν αυτόνομα τα επόμενα βήματά τους. Σε αντίθεση με τα στατικά πρότυπα ανάκτησης-και-ανάγνωσης ή τις προσεκτικά επιμελημένες ακολουθίες prompts, το Agentic RAG περιλαμβάνει έναν κύκλο επαναληπτικών κλήσεων στο LLM, διακοπτόμενων από κλήσεις εργαλείων ή λειτουργιών και δομημένες εξόδους. Σε κάθε βήμα, το σύστημα αξιολογεί τα αποτελέσματα που έχει λάβει, αποφασίζει αν θα βελτιώσει τα ερωτήματά του, καλεί πρόσθετα εργαλεία αν χρειαστεί, και συνεχίζει αυτόν τον κύκλο μέχρι να επιτύχει μια ικανοποιητική λύση.

Αυτή η επαναληπτική μέθοδος λειτουργίας «maker-checker» έχει σχεδιαστεί για να βελτιώνει την ορθότητα, να χειρίζεται κακώς μορφοποιημένα ερωτήματα σε δομημένες βάσεις δεδομένων (π.χ. NL2SQL), και να διασφαλίζει ισορροπημένα, αποτελεσματικά αποτελέσματα υψηλής ποιότητας. Αντί να βασίζεται αποκλειστικά σε προσεκτικά σχεδιασμένες αλυσίδες prompts, το σύστημα κατέχει ενεργά τη διαδικασία συλλογισμού του. Μπορεί να ξαναγράφει ερωτήματα που αποτυγχάνουν, να επιλέγει διαφορετικές μεθόδους ανάκτησης, και να ενσωματώνει πολλαπλά εργαλεία—όπως vector search στο Azure AI Search, βάσεις δεδομένων SQL ή προσαρμοσμένα APIs—πριν οριστικοποιήσει την απάντησή του. Αυτό αφαιρεί την ανάγκη για πολύπλοκα πλαίσια ορχήστρωσης. Αντίθετα, ένας σχετικά απλός κύκλος «κλήση LLM → χρήση εργαλείου → κλήση LLM → …» μπορεί να παράγει εξελιγμένες και καλά θεμελιωμένες εξόδους.

Κατοχή της Διαδικασίας Συλλογισμού

Το διακριτικό χαρακτηριστικό που καθιστά ένα σύστημα «agentic» είναι η ικανότητά του να κατέχει τη διαδικασία συλλογισμού του. Παραδοσιακές υλοποιήσεις RAG συνήθως εξαρτώνται από ανθρώπους που ορίζουν εκ των προτέρων μια διαδρομή για το μοντέλο: μια αλυσίδα σκέψης που καθορίζει τι να ανακτηθεί και πότε.
Αλλά όταν ένα σύστημα είναι πραγματικά agentic, αποφασίζει εσωτερικά πώς να προσεγγίσει το πρόβλημα. Δεν εκτελεί απλά ένα σενάριο, καθορίζει αυτόνομα τη σειρά των βημάτων βάσει της ποιότητας των πληροφοριών που βρίσκει.
Για παράδειγμα, αν ζητηθεί να δημιουργήσει μια στρατηγική προώθησης προϊόντος, δεν βασίζεται μόνο σε ένα prompt που καθορίζει ολόκληρη τη ροή έρευνας και λήψης αποφάσεων. Αντ’ αυτού, το agentic μοντέλο αποφασίζει ανεξάρτητα να:

1. Ανακτήσει τρέχουσες αναφορές τάσεων αγοράς χρησιμοποιώντας Bing Web Grounding
2. Εντοπίσει σχετικά δεδομένα ανταγωνιστών χρησιμοποιώντας Azure AI Search.
3. Συσχετίσει ιστορικά εσωτερικά μετρικά πωλήσεων χρησιμοποιώντας Azure SQL Database.
4. Συνθέσει τα ευρήματα σε συνεκτική στρατηγική οργανωμένη μέσω Azure OpenAI Service.
5. Αξιολογήσει τη στρατηγική για κενά ή ασυνέπειες, προκαλώντας έναν νέο κύκλο ανάκτησης αν χρειαστεί.

Όλα αυτά τα βήματα—βελτίωση ερωτημάτων, επιλογή πηγών, επανάληψη μέχρι το ζητούμενο αποτέλεσμα—αποφασίζονται από το μοντέλο, όχι από προεγγεγραμμένο σενάριο από άνθρωπο.

Επαναληπτικοί Κύκλοι, Ενσωμάτωση Εργαλείων και Μνήμη

Ένα agentic σύστημα βασίζεται σε ένα πρότυπο αλληλεπίδρασης με κυκλικές διαδικασίες:

• Αρχική Κλήση: Ο στόχος του χρήστη (δηλαδή το prompt) παρουσιάζεται στο LLM.
• Κλήση Εργαλείου: Αν το μοντέλο εντοπίσει ελλιπείς πληροφορίες ή ασαφείς οδηγίες, επιλέγει ένα εργαλείο ή μέθοδο ανάκτησης—όπως ένα ερώτημα βάσης δεδομένων vector (π.χ. Azure AI Search Hybrid search σε ιδιωτικά δεδομένα) ή μια δομημένη SQL κλήση—για να συλλέξει περισσότερα συμφραζόμενα.
• Αξιολόγηση & Βελτίωση: Μετά την ανασκόπηση των επιστρεφόμενων δεδομένων, το μοντέλο αποφασίζει αν οι πληροφορίες είναι επαρκείς. Αν όχι, βελτιώνει το ερώτημα, δοκιμάζει άλλο εργαλείο ή προσαρμόζει την προσέγγισή του.
• Επανάληψη μέχρι Ικανοποίηση: Αυτός ο κύκλος συνεχίζεται μέχρι το μοντέλο να κρίνει ότι έχει αρκετή σαφήνεια και στοιχεία για να παρέχει μια τελική, τεκμηριωμένη απάντηση.
• Μνήμη & Κατάσταση: Επειδή το σύστημα διατηρεί κατάσταση και μνήμη ανά βήμα, μπορεί να θυμάται τις προηγούμενες προσπάθειες και τα αποτελέσματά τους, αποφεύγοντας επαναλαμβανόμενους κύκλους και λαμβάνοντας πιο ενημερωμένες αποφάσεις καθώς προχωρά.

Με την πάροδο του χρόνου, αυτό δημιουργεί μια αίσθηση εξελισσόμενης κατανόησης, επιτρέποντας στο μοντέλο να πλοηγηθεί σε σύνθετες, πολυβηματικές εργασίες χωρίς να απαιτείται συνεχής ανθρώπινη παρέμβαση ή ανακατασκευή του prompt.

Χειρισμός Λειτουργικών Αποτυχιών και Αυτο-διόρθωση

Η αυτονομία του Agentic RAG περιλαμβάνει επίσης ισχυρούς μηχανισμούς αυτο-διόρθωσης. Όταν το σύστημα συναντά αδιέξοδα—όπως ανάκτηση άσχετων εγγράφων ή αντιμετώπιση κακώς μορφοποιημένων ερωτημάτων—μπορεί να:

• Επαναλάβει και να Επανα-ερωτήσει: Αντί να επιστρέφει απαντήσεις χαμηλής αξίας, το μοντέλο δοκιμάζει νέες στρατηγικές αναζήτησης, ξαναγράφει ερωτήματα βάσης δεδομένων ή εξετάζει εναλλακτικά σύνολα δεδομένων.
• Χρησιμοποιήσει Διαγνωστικά Εργαλεία: Το σύστημα μπορεί να καλέσει πρόσθετες λειτουργίες σχεδιασμένες να το βοηθούν να εντοπίσει σφάλματα στα βήματα συλλογισμού ή να επιβεβαιώσει την ορθότητα των ανακτηθέντων δεδομένων. Εργαλεία όπως το Azure AI Tracing θα είναι σημαντικά για την παροχή ισχυρού επιπέδου παρακολούθησης και ανιχνευσιμότητας.
• Καταφύγει στην Ανθρώπινη Εποπτεία: Για περιπτώσεις με υψηλό ρίσκο ή επαναλαμβανόμενες αποτυχίες, το μοντέλο μπορεί να σηματοδοτήσει αβεβαιότητα και να ζητήσει ανθρώπινη καθοδήγηση. Μόλις ο άνθρωπος παρέχει διορθωτική ανατροφοδότηση, το μοντέλο μπορεί να ενσωματώσει αυτό το μάθημα για το μέλλον.

Αυτή η επαναληπτική και δυναμική προσέγγιση επιτρέπει στο μοντέλο να βελτιώνεται συνεχώς, διασφαλίζοντας ότι δεν είναι απλά ένα σύστημα μιας λήψης (one-shot), αλλά ένα που μαθαίνει από τα λάθη του κατά τη διάρκεια μιας συνεδρίας.

Όρια της Δύναμης Ανάληψης Πρωτοβουλίας

Παρά την αυτονομία του σε ένα έργο, το Agentic RAG δεν είναι αντίστοιχο της Τεχνητής Γενικής Νοημοσύνης. Οι «agentic» ικανότητές του περιορίζονται στα εργαλεία, τις πηγές δεδομένων και τις πολιτικές που παρέχουν οι ανθρώπινοι προγραμματιστές. Δεν μπορεί να εφεύρει τα δικά του εργαλεία ή να ξεπεράσει τα όρια του πεδίου που έχουν τεθεί. Αντίθετα, διαπρέπει στη δυναμική ορχήστρωση των πόρων που έχει στα χέρια του.
Βασικές διαφορές από πιο προηγμένες μορφές AI είναι:

1. Αυτονομία σε Εξειδικευμένο Τομέα: Τα συστήματα Agentic RAG εστιάζουν στην επίτευξη στόχων ορισμένων από τον χρήστη εντός γνωστού πεδίου, χρησιμοποιώντας στρατηγικές όπως η επανεγγραφή ερωτημάτων ή η επιλογή εργαλείων για τη βελτίωση των αποτελεσμάτων.
2. Εξάρτηση από Υποδομή: Οι ικανότητες του συστήματος εξαρτώνται από τα εργαλεία και τα δεδομένα που ενσωματώνουν οι προγραμματιστές. Δεν μπορεί να υπερβεί αυτά τα όρια χωρίς ανθρώπινη παρέμβαση.
3. Σεβασμός στους Κανόνες Ασφαλείας: Οι ηθικές κατευθυντήριες γραμμές, οι κανόνες συμμόρφωσης και οι επιχειρησιακές πολιτικές παραμένουν εξαιρετικά σημαντικοί. Η ελευθερία του agentic περιορίζεται πάντα από μέτρα ασφαλείας και μηχανισμούς εποπτείας (ελπίζουμε;).

Πρακτικές Περιπτώσεις Χρήσης και Αξία

Το Agentic RAG ξεχωρίζει σε σενάρια που απαιτούν επαναληπτική βελτίωση και ακρίβεια:

1. Περιβάλλοντα με Πρώρη Προτεραιότητα στην Ορθότητα: Σε ελέγχους συμμόρφωσης, ρυθμιστική ανάλυση ή νομική έρευνα, το agentic μοντέλο μπορεί να επιβεβαιώνει επανειλημμένα τα γεγονότα, να συμβουλεύεται πολλαπλές πηγές και να ξαναγράφει ερωτήματα μέχρι να παράγει μια πλήρως ελεγμένη απάντηση.
2. Σύνθετες Αλληλεπιδράσεις με Βάσεις Δεδομένων: Όταν χειρίζεται δομημένα δεδομένα όπου τα ερωτήματα μπορεί να αποτυγχάνουν συχνά ή να χρειάζονται προσαρμογή, το σύστημα μπορεί αυτόνομα να βελτιώνει τα ερωτήματά του χρησιμοποιώντας το Azure SQL ή το Microsoft Fabric OneLake, διασφαλίζοντας ότι η τελική ανάκτηση ευθυγραμμίζεται με την πρόθεση του χρήστη.
3. Εκτεταμένες Ροές Εργασίας: Μακροχρόνιες συνεδρίες μπορεί να εξελίσσονται καθώς εμφανίζονται νέες πληροφορίες. Το Agentic RAG μπορεί συνεχώς να ενσωματώνει νέα δεδομένα, προσαρμόζοντας τις στρατηγικές όσο μαθαίνει περισσότερα για το πρόβλημα.

Διακυβέρνηση, Διαφάνεια και Εμπιστοσύνη

Καθώς αυτά τα συστήματα γίνονται πιο αυτόνομα στον συλλογισμό τους, η διακυβέρνηση και η διαφάνεια είναι κρίσιμες:

• Εξηγήσιμη Συλλογιστική: Το μοντέλο μπορεί να παρέχει ένα ιστορικό ελέγχου των ερωτημάτων που έκανε, των πηγών που συμβουλεύτηκε και των βημάτων συλλογισμού που ακολούθησε για να καταλήξει στο συμπέρασμα. Εργαλεία όπως το Azure AI Content Safety και το Azure AI Tracing / GenAIOps μπορούν να βοηθήσουν στη διατήρηση της διαφάνειας και στη μείωση κινδύνων.
• Έλεγχος Προκαταλήψεων και Ισορροπημένη Ανάκτηση: Οι προγραμματιστές μπορούν να ρυθμίζουν τις στρατηγικές ανάκτησης για να διασφαλίζουν ότι λαμβάνονται υπόψη ισορροπημένες και αντιπροσωπευτικές πηγές δεδομένων, και να πραγματοποιούν τακτικούς ελέγχους εξόδου για να εντοπίζουν προκαταλήψεις ή ανισορροπίες χρησιμοποιώντας προσαρμοσμένα μοντέλα για προηγμένες οργανώσεις επιστήμης δεδομένων μέσω Azure Machine Learning.
• Ανθρώπινη Εποπτεία και Συμμόρφωση: Για ευαίσθητες εργασίες, η ανθρώπινη επιθεώρηση παραμένει απαραίτητη. Το Agentic RAG δεν αντικαθιστά την ανθρώπινη κρίση σε αποφάσεις με υψηλό ρίσκο—τη συμπληρώνει παρέχοντας πιο διεξοδικά ελεγμένες επιλογές.

Η ύπαρξη εργαλείων που παρέχουν σαφή καταγραφή των ενεργειών είναι απαραίτητη. Χωρίς αυτά, ο εντοπισμός σφαλμάτων σε μια πολύ-βηματική διαδικασία μπορεί να είναι εξαιρετικά δύσκολος. Δείτε το ακόλουθο παράδειγμα από τη Literal AI (εταιρεία πίσω από το Chainlit) για μια εκτέλεση Agent:

Συμπεράσματα

Το Agentic RAG αντιπροσωπεύει μια φυσική εξέλιξη στον τρόπο που τα συστήματα AI χειρίζονται σύνθετες, δεδομενοεστιασμένες εργασίες. Με την υιοθέτηση ενός πρότυπου αλληλεπίδρασης με κύκλους, την αυτόνομη επιλογή εργαλείων και τη βελτίωση των ερωτημάτων μέχρι την επίτευξη ενός αποτελεσματικού αποτελέσματος, το σύστημα ξεπερνά το στατικό ακολουθώντας prompts σε έναν πιο προσαρμοστικό, ευαισθητοποιημένο στο πλαίσιο λήπτη αποφάσεων. Παρά το γεγονός ότι παραμένει περιοριζόμενο από ανθρώπινα ορισμένες υποδομές και ηθικές κατευθυντήριες γραμμές, αυτές οι agentic ικανότητες επιτρέπουν πλουσιότερες, πιο δυναμικές και τελικά πιο χρήσιμες αλληλεπιδράσεις AI τόσο για επιχειρήσεις όσο και για τελικούς χρήστες.

Έχετε Περισσότερες Ερωτήσεις για το Agentic RAG;

Εγγραφείτε στο Microsoft Foundry Discord για να συναντήσετε άλλους μαθητές, να παρακολουθήσετε ώρες γραφείου και να λάβετε απαντήσεις στις ερωτήσεις σας για τα AI Agents.

Πρόσθετοι Πόροι

• Υλοποίηση Retrieval Augmented Generation (RAG) με την Υπηρεσία Azure OpenAI: Μάθετε πώς να χρησιμοποιείτε τα δικά σας δεδομένα με την Υπηρεσία Azure OpenAI. Αυτή η ενότητα στο Microsoft Learn παρέχει έναν ολοκληρωμένο οδηγό για την υλοποίηση του RAG
• Αξιολόγηση εφαρμογών γενετικής AI με το Microsoft Foundry: Αυτό το άρθρο καλύπτει την αξιολόγηση και σύγκριση μοντέλων σε δημόσια διαθέσιμα σύνολα δεδομένων, συμπεριλαμβανομένων εφαρμογών Agentic AI και αρχιτεκτονικών RAG
• Τι είναι το Agentic RAG | Weaviate
• Agentic RAG: Ένας πλήρης οδηγός για το Agent-Based Retrieval Augmented Generation – Νέα από τη γενιά RAG
• Agentic RAG: Επιταχύνετε το RAG σας με αναδιατύπωση ερωτήσεων και αυτο-ερώτηση! Hugging Face Open-Source AI Cookbook
• Προσθήκη Agentic Layers στο RAG
• Το Μέλλον των Βοηθών Γνώσης: Jerry Liu
• Πώς να Δημιουργήσετε Συστήματα Agentic RAG
• Χρήση της Υπηρεσίας Agent του Microsoft Foundry για κλιμάκωση των AI πρακτόρων σας

Ακαδημαϊκά Άρθρα

• 2303.17651 Self-Refine: Επαναληπτική Βελτίωση με Αυτοανόρθωση
• 2303.11366 Reflexion: Πράκτορες Γλώσσας με Λεκτική Ενίσχυση μάθησης
• 2305.11738 CRITIC: Τα Μεγάλα Μοντέλα Γλώσσας Μπορούν να Αυτοδιορθώνονται με Εργαλειακή Διαδραστική Κριτική
• 2501.09136 Agentic Retrieval-Augmented Generation: Μια Έρευνα για το Agentic RAG

Προηγούμενο Μάθημα

Κατασκευή Σχεδίου Χρήσης Εργαλείου

Επόμενο Μάθημα

Κατασκευή Αξιόπιστων Πρακτόρων AI

---

Αποποίηση ευθυνών:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης AI Co-op Translator. Παρόλο που προσπαθούμε για ακρίβεια, παρακαλούμε να γνωρίζετε ότι οι αυτοματοποιημένες μεταφράσεις μπορεί να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η εγκυρότερη πηγή. Για κρίσιμες πληροφορίες προτείνεται η επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρανοήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.

This site is open source. Improve this page.