ai-agents-for-beginners

(Κάντε κλικ στην εικόνα παραπάνω για να δείτε το βίντεο αυτού του μαθήματος)

Agentic RAG

Αυτό το μάθημα παρέχει μια ολοκληρωμένη επισκόπηση του Agentic Retrieval-Augmented Generation (Agentic RAG), ενός αναδυόμενου παραδείγματος τεχνητής νοημοσύνης όπου μεγάλα γλωσσικά μοντέλα (LLMs) σχεδιάζουν αυτόνομα τα επόμενα βήματά τους τραβώντας πληροφορίες από εξωτερικές πηγές. Σε αντίθεση με τα στατικά πρότυπα ανάκτησης-και-ανάγνωσης, το Agentic RAG περιλαμβάνει επαναλαμβανόμενες κλήσεις προς το LLM, διακοπτόμενες από κλήσεις εργαλείων ή λειτουργιών και δομημένες εξόδους. Το σύστημα αξιολογεί τα αποτελέσματα, βελτιώνει τα ερωτήματα, καλεί επιπλέον 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 ΤΝ όπου μεγάλα γλωσσικά μοντέλα (LLMs) σχεδιάζουν αυτόνομα τα επόμενα βήματά τους τραβώντας πληροφορίες από εξωτερικές πηγές δεδομένων.
• Κατανόηση του επαναλαμβανόμενου στυλ Maker-Checker: Κατανοήστε τον κύκλο επαναλαμβανόμενων κλήσεων προς το LLM, διακοπτόμενο από κλήσεις εργαλείων ή λειτουργιών και δομημένες εξόδους, σχεδιασμένο να βελτιώνει την ορθότητα και να διαχειρίζεται λανθασμένα διαμορφωμένα ερωτήματα.
• Εξερεύνηση πρακτικών εφαρμογών: Αναγνωρίστε σενάρια όπου το Agentic RAG λάμπει, όπως περιβάλλοντα με προτεραιότητα στην ορθότητα, πολύπλοκες αλληλεπιδράσεις βάσεων δεδομένων και εκτεταμένες ροές εργασίας.

Στόχοι μάθησης

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

• Κατανόηση του Agentic RAG: Μάθετε για το αναδυόμενο παράδειγμα στην ΤΝ όπου μεγάλα γλωσσικά μοντέλα (LLMs) σχεδιάζουν αυτόνομα τα επόμενα βήματά τους τραβώντας πληροφορίες από εξωτερικές πηγές δεδομένων.
• Επαναλαμβανόμενο στυλ Maker-Checker: Κατανοήστε την έννοια ενός κύκλου επαναλαμβανόμενων κλήσεων προς το LLM, διακοπτόμενων από κλήσεις εργαλείων ή λειτουργιών και δομημένες εξόδους, σχεδιασμένου να βελτιώνει την ορθότητα και να διαχειρίζεται λανθασμένα ερωτήματα.
• Κατοχή της διαδικασίας συλλογισμού: Κατανοήστε την ικανότητα του συστήματος να κατέχει τη διαδικασία συλλογισμού του, λαμβάνοντας αποφάσεις για τον τρόπο προσέγγισης προβλημάτων χωρίς να βασίζεται σε προ-καθορισμένες διαδρομές.
• Ροή εργασίας: Κατανοήστε πώς ένα agentic μοντέλο αποφασίζει αυτόνομα να ανακτήσει αναφορές τάσεων αγοράς, να εντοπίσει δεδομένα ανταγωνιστών, να συσχετίσει εσωτερικούς δείκτες πωλήσεων, να συνθέσει ευρήματα και να αξιολογήσει τη στρατηγική.
• Επαναλαμβανόμενοι κύκλοι, ενσωμάτωση εργαλείων και μνήμη: Μάθετε για την εξάρτηση του συστήματος από μοτίβο επαναλαμβανόμενης αλληλεπίδρασης, διατηρώντας κατάσταση και μνήμη σε όλη τη διαδικασία για να αποφευχθούν επαναλήψεις και να ληφθούν ενημερωμένες αποφάσεις.
• Διαχείριση αποτυχιών και αυτοδιόρθωση: Εξερευνήστε τους ανθεκτικούς μηχανισμούς αυτοδιόρθωσης του συστήματος, συμπεριλαμβανομένου του επαναλαμβανόμενου ερωτηματολογίου, της χρήσης διαγνωστικών εργαλείων και της ανθρώπινης επίβλεψης.
• Όρια της αυτονομίας: Κατανοήστε τους περιορισμούς του Agentic RAG, εστιάζοντας στην αυτονομία συγκεκριμένου τομέα, την εξάρτηση από την υποδομή και τον σεβασμό στους περιορισμούς.
• Πρακτικές περιπτώσεις χρήσης και αξία: Αναγνωρίστε σενάρια όπου το Agentic RAG ξεχωρίζει, όπως περιβάλλοντα με προτεραιότητα στην ορθότητα, πολύπλοκες αλληλεπιδράσεις βάσεων δεδομένων και εκτεταμένες ροές εργασίας.
• Διακυβέρνηση, διαφάνεια και εμπιστοσύνη: Μάθετε τη σημασία της διακυβέρνησης και της διαφάνειας, συμπεριλαμβανομένου του εξηγήσιμου συλλογισμού, του ελέγχου των προκαταλήψεων και της ανθρώπινης επίβλεψης.

Τι είναι το Agentic RAG;

Το Agentic Retrieval-Augmented Generation (Agentic RAG) είναι ένα αναδυόμενο παράδειγμα τεχνητής νοημοσύνης όπου μεγάλα γλωσσικά μοντέλα (LLMs) σχεδιάζουν αυτόνομα τα επόμενα βήματά τους ενώ αντλούν πληροφορίες από εξωτερικές πηγές. Σε αντίθεση με τα στατικά μοτίβα ανάκτησης-και-ανάγνωσης, το Agentic RAG περιλαμβάνει επαναλαμβανόμενες κλήσεις προς το LLM, διακοπτόμενες από κλήσεις εργαλείων ή λειτουργιών και δομημένες εξόδους. Το σύστημα αξιολογεί τα αποτελέσματα, βελτιώνει τα ερωτήματα, καλεί επιπλέον εργαλεία αν χρειαστεί και συνεχίζει αυτόν τον κύκλο μέχρι να επιτευχθεί μια ικανοποιητική λύση. Αυτό το επαναλαμβανόμενο στυλ “maker-checker” βελτιώνει την ορθότητα, διαχειρίζεται λανθασμένα ερωτήματα και εξασφαλίζει αποτελέσματα υψηλής ποιότητας.

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

Ορισμός του Agentic Retrieval-Augmented Generation (Agentic RAG)

Το Agentic Retrieval-Augmented Generation (Agentic RAG) είναι ένα αναδυόμενο παράδειγμα στην ανάπτυξη ΤΝ όπου τα LLMs όχι μόνο αντλούν πληροφορίες από εξωτερικές πηγές δεδομένων αλλά σχεδιάζουν αυτόνομα τα επόμενα βήματά τους. Σε αντίθεση με τα στατικά μοτίβα ανάκτησης-και-ανάγνωσης ή προσεκτικά γραμμένες ακολουθίες prompt, το Agentic RAG περιλαμβάνει έναν κύκλο επαναλαμβανόμενων κλήσεων στο LLM, διακοπτόμενων από κλήσεις εργαλείων ή λειτουργιών και δομημένες εξόδους. Κάθε φορά, το σύστημα αξιολογεί τα αποτελέσματα που έχει λάβει, αποφασίζει αν θα βελτιώσει τα ερωτήματά του, καλεί επιπλέον εργαλεία αν χρειαστεί και συνεχίζει αυτόν τον κύκλο μέχρι να επιτύχει μια ικανοποιητική λύση.

Αυτό το επαναλαμβανόμενο στυλ λειτουργίας “maker-checker” έχει σχεδιαστεί για να βελτιώνει την ορθότητα, να διαχειρίζεται λανθασμένα ερωτήματα σε δομημένες βάσεις δεδομένων (π.χ. NL2SQL) και να εξασφαλίζει ισορροπημένα, ποιοτικά αποτελέσματα. Αντί να βασίζεται αποκλειστικά σε προσεκτικά σχεδιασμένες αλυσίδες prompt, το σύστημα κατέχει ενεργά τη διαδικασία συλλογισμού του. Μπορεί να ξαναγράψει ερωτήματα που αποτυγχάνουν, να επιλέξει διαφορετικές μεθόδους ανάκτησης και να ενσωματώσει πολλαπλά εργαλεία — όπως αναζήτηση διανυσμάτων στο Azure AI Search, βάσεις δεδομένων SQL, ή προσαρμοσμένα API — πριν οριστικοποιήσει την απάντησή του. Αυτό εξαλείφει την ανάγκη για υπερβολικά πολύπλοκα συστήματα ορχήστρωσης. Αντίθετα, ένας σχετικά απλός κύκλος “κλήση LLM → χρήση εργαλείου → κλήση LLM → …” μπορεί να παράγει προηγμένες και τεκμηριωμένες 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 συχνά εξαρτώνται από ανθρώπους που ορίζουν προαποφασισμένο μονοπάτι 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 απλώς ένα σενάριο, αλλά καθορίζει αυτόνομα τη σειρά των βημάτων με βάση την ποιότητα των πληροφοριών που βρίσκει. Για παράδειγμα, αν ζητηθεί να δημιουργήσει μια στρατηγική λανσαρίσματος προϊόντος, δεν βασίζεται μόνο σε ένα prompt που περιγράφει ολόκληρη τη ροή εργασίας έρευνας και λήψης αποφάσεων. Αντίθετα, το agentic μοντέλο αποφασίζει αυτόνομα να:

1. Ανακτήσει τρέχουσες αναφορές τάσεων αγοράς χρησιμοποιώντας το Bing Web Grounding
2. Εντοπίσει σχετικά δεδομένα ανταγωνιστών χρησιμοποιώντας το Azure AI Search.
3. Συσχετίσει ιστορικά εσωτερικά μετρικά πωλήσεων χρησιμοποιώντας το Azure SQL Database.
4. Συνθέσει τα ευρήματα σε μια συνεκτική στρατηγική που οργανώνεται μέσω του Azure OpenAI Service.
5. Αξιολογήσει τη στρατηγική για κενά ή ασυνέπειες, ζητώντας έναν ακόμα γύρο ανάκτησης αν χρειαστεί. Όλα αυτά τα βήματα — βελτίωση ερωτημάτων, επιλογή πηγών, επανάληψη μέχρι να “είναι ικανοποιημένο” με την απάντηση — αποφασίζονται από το μοντέλο, όχι από προ-γραμμένο σενάριο ανθρώπου.

Επαναλαμβανόμενοι Κύκλοι, Ενσωμάτωση Εργαλείων και Μνήμη

Ένα agentic σύστημα βασίζεται σε ένα μοτίβο επαναλαμβανόμενης αλληλεπίδρασης:

• Αρχική Κλήση: Ο στόχος του χρήστη (δηλαδή το prompt) παρουσιάζεται στο LLM.
• Κλήση Εργαλείου: Εάν το μοντέλο εντοπίσει έλλειψη πληροφοριών ή ασαφείς οδηγίες, επιλέγει ένα εργαλείο ή μέθοδο ανάκτησης — όπως ερώτημα σε βάση δεδομένων διανυσμάτων (π.χ. Υβριδική αναζήτηση Azure AI Search σε ιδιωτικά δεδομένα) ή δομημένη κλήση SQL — για να συλλέξει περαιτέρω πλαίσιο.
• Αξιολόγηση & Βελτίωση: Μετά την επανεξέταση των δεδομένων που επέστρεψαν, το μοντέλο αποφασίζει αν οι πληροφορίες είναι επαρκείς. Αν όχι, βελτιώνει το ερώτημα, δοκιμάζει διαφορετικό εργαλείο ή προσαρμόζει την προσέγγισή του.
• Επανάληψη Μέχρι Ικανοποίησης: Αυτός ο κύκλος συνεχίζεται μέχρι το μοντέλο να κρίνει ότι έχει αρκετή σαφήνεια και αποδείξεις για να παρέχει μια τελική, καλά συλλογισμένη απάντηση.
• Μνήμη & Κατάσταση: Επειδή το σύστημα διατηρεί κατάσταση και μνήμη σε κάθε βήμα, μπορεί να ανακαλεί 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 διαχειριστεί πολύπλοκες, πολυβηματικές εργασίες χωρίς να απαιτείται συνεχής ανθρώπινη παρέμβαση ή επανασχηματισμός του prompt.

Διαχείριση Σφαλμάτων και Αυτοδιόρθωση

Η αυτονομία του Agentic RAG περιλαμβάνει επίσης ισχυρούς μηχανισμούς αυτοδιόρθωσης. Όταν το σύστημα αντιμετωπίζει αδιέξοδα — όπως ανάκτηση άσχετων εγγράφων ή λανθασμένα διαμορφωμένα ερωτήματα — μπορεί να:

• Επανάληψη και Επαναζήτηση: Αντί να επιστρέφει απαντήσεις χαμηλής αξίας, το μοντέλο δοκιμάζει νέες στρατηγικές αναζήτησης, ξαναγράφει ερωτήματα βάσεων δεδομένων ή εξετάζει εναλλακτικά σύνολα δεδομένων.
• Χρήση Διαγνωστικών Εργαλείων: Το σύστημα μπορεί να καλεί επιπλέον λειτουργίες που βοηθούν στον εντοπισμό σφαλμάτων στα βήματα συλλογισμού ή στην επιβεβαίωση της ορθότητας των ανακτηθέντων δεδομένων. Εργαλεία όπως το Azure AI Tracing θα είναι σημαντικά για την ενεργοποίηση ισχυρής παρατηρησιμότητας και παρακολούθησης.
• Αναζήτηση Ανθρώπινης Εποπτείας: Σε περιπτώσεις υψηλού ρίσκου ή επαναλαμβανόμενης αποτυχίας, το μοντέλο μπορεί να επισημάνει αβεβαιότητα και να ζητήσει ανθρώπινη καθοδήγηση. Μόλις ο άνθρωπος παρέχει διορθωτική ανατροφοδότηση, το μοντέλο μπορεί να ενσωματώσει αυτό το μάθημα στο μέλλον.

Αυτή η επαναλαμβανόμενη και δυναμική προσέγγιση επιτρέπει στο μοντέλο να βελτιώνεται συνεχώς, εξασφαλίζοντας ότι δεν είναι απλώς ένα σύστημα μιας φοράς, αλλά ένα που μαθαίνει από τα λάθη του κατά τη διάρκεια μιας δεδομένης συνεδρίας.

Όρια της Αυτονομίας

Παρά την αυτονομία εντός μιας εργασίας, το Agentic RAG δεν είναι ανάλογο της Γενικής Τεχνητής 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 υπερβεί τα όρια του τομέα που έχουν τεθεί. Αντιθέτως, διαπρέπει στην δυναμική ορχήστρωση των διαθέσιμων πόρων. Βασικές διαφορές από πιο προχωρημένες μορφές ΤΝ περιλαμβάνουν:

1. Αυτονομία ειδική σε τομείς: Τα Agentic RAG συστήματα εστιάζονται στην επίτευξη στόχων που ορίζονται από τον χρήστη εντός γνωστού πεδίου, χρησιμοποιώντας στρατηγικές όπως η επαναδιατύπωση ερωτημάτων ή η επιλογή εργαλείων για τη βελτίωση αποτελεσμάτων.
2. Εξάρτηση από υποδομή: Οι ικανότητες του συστήματος εξαρτώνται από τα εργαλεία και τα δεδομένα που έχουν ενσωματωθεί από τους προγραμματιστές. Δεν μπορεί να ξεπεράσει αυτά τα όρια χωρίς ανθρώπινη παρέμβαση.
3. Σεβασμός στους περιορισμούς: Ηθικές κατευθυντήριες γραμμές, κανόνες συμμόρφωσης και επιχειρηματικές πολιτικές παραμένουν πολύ σημαντικά. Η ελευθερία του agent είναι πάντα περιορισμένη από μέτρα ασφάλειας και μηχανισμούς εποπτείας (ελπίζουμε;)

Πρακτικές Περιπτώσεις Χρήσης και Αξία

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

1. Περιβάλλοντα με προτεραιότητα στην ορθότητα: Σε ελέγχους συμμόρφωσης, ρυθμιστική ανάλυση ή νομική έρευνα, το agentic μοντέλο μπορεί να επαληθεύει επανειλημμένα γεγονότα, να συμβουλεύεται πολλαπλές πηγές και να ξαναγράφει ερωτήματα μέχρι να παράγει μια σχολαστικά ελεγμένη απάντηση.
2. Πολύπλοκες αλληλεπιδράσεις βάσεων δεδομένων: Όταν χειρίζεται δομημένα δεδομένα όπου τα ερωτήματα συχνά αποτυγχάνουν ή χρειάζονται προσαρμογή, το σύστημα μπορεί να βελτιώσει αυτόνομα 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: Οι μακροχρόνιες συνεδρίες μπορεί να εξελίσσονται καθώς αναδύονται νέες πληροφορίες. Το Agentic RAG μπορεί συνεχώς να ενσωματώνει νέα δεδομένα, αλλάζοντας στρατηγικές καθώς μαθαίνει περισσότερα για το πρόβλημα.

Διακυβέρνηση, Διαφάνεια και Εμπιστοσύνη

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

• Εξηγήσιμος συλλογισμός: Το μοντέλο μπορεί να παρέχει ένα ίχνος ελέγχου των ερωτημάτων που έκανε, των πηγών που συμβουλεύτηκε και των βημάτων συλλογισμού που ακολούθησε για να καταλήξει στο συμπέρασμά του. Εργαλεία όπως το Azure AI Content Safety και το Azure AI Tracing / GenAIOps μπορούν να βοηθήσουν στη διατήρηση της διαφάνειας και στην ελαχιστοποίηση κινδύνων.
• Έλεγχος προκαταλήψεων και ισορροπημένη ανάκτηση: Οι προγραμματιστές μπορούν να προσαρμόζουν στρατηγικές ανάκτησης για να εξασφαλίσουν ότι λαμβάνονται υπόψη ισορροπημένες και αντιπροσωπευτικές πηγές δεδομένων, καθώς και να ελέγχουν τακτικά τις εξόδους για να ανιχνεύουν προκαταλήψεις ή στρεβλώσεις, χρησιμοποιώντας προσαρμοσμένα μοντέλα για εξελιγμένους οργανισμούς δεδομένων με το Azure Machine Learning.
• Ανθρώπινη επίβλεψη και συμμόρφωση: Σε ευαίσθητες εργασίες, η ανθρώπινη ανασκόπηση παραμένει απαραίτητη. Το Agentic RAG δεν αντικαθιστά την ανθρώπινη κρίση σε αποφάσεις υψηλού ρίσκου — τη συμπληρώνει παρέχοντας πιο σχολαστικά ελεγμένες επιλογές.

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

Συμπέρασμα

Το Agentic RAG αντιπροσωπεύει μια φυσική εξέλιξη στον τρόπο που τα συστήματα ΤΝ διαχειρίζονται πολύπλοκες, εντατικές σε δεδομένα εργασίες. Υιοθετώντας ένα μοτίβο επαναλαμβανόμενης αλληλεπίδρασης, επιλέγοντας αυτόνομα εργαλεία και βελτιώνοντας ερωτήματα μέχρι να επιτευχθεί ένα ποιοτικό αποτέλεσμα, το σύστημα υπερβαίνει την στατική ακολουθία prompt σε έναν πιο προσαρμοστικό, ευαίσθητο στο πλαίσιο αποφασιστικό μηχανισμό. Παρόλο που παραμένει περιορισμένο από υποδομές και ηθικές κατευθυντήριες γραμμές που ορίζονται από ανθρώπους, αυτές οι agentic ικανότητες επιτρέπουν πλουσιότερες, πιο δυναμικές και τελικά πιο χρήσιμες αλληλεπιδράσεις ΤΝ για επιχειρήσεις και 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 τους AI Agents.

Επιπλέον Πόροι

• Εφαρμογή Retrieval Augmented Generation (RAG) με το Azure OpenAI Service: Μάθετε πώς να χρησιμοποιήσετε τα δικά σας δεδομένα με το Azure OpenAI Service. Αυτό το μάθημα στο Microsoft Learn παρέχει έναν ολοκληρωμένο οδηγό για την εφαρμογή του RAG
• Αξιολόγηση εφαρμογών γεννητικής τεχνητής νοημοσύνης 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 ολοκληρωμένος οδηγός για agent-based Retrieval Augmented Generation – Νέα από το generation RAG

• Agentic RAG: επιτάχυνε το RAG σου με αναδιατύπωση ερωτήσεων και αυτό-ερωτήσεις! Hugging Face Open-Source AI Cookbook
• Προσθήκη Agentic Layers στο RAG
• Το Μέλλον των Βοηθών Γνώσης: Jerry Liu
• Πώς να Δημιουργήσετε Agentic RAG Συστήματα
• Χρήση της Υπηρεσίας Microsoft Foundry Agent για κλιμάκωση των πρακτόρων AI σας

Ακαδημαϊκά Άρθρα

• 2303.17651 Self-Refine: Επαναληπτική Βελτίωση με Αυτό-ανάδραση
• 2303.11366 Reflexion: Πρακτορες Γλώσσας με Λεκτική Εκμάθηση Ενίσχυσης
• 2305.11738 CRITIC: Μεγάλα Μοντέλα Γλώσσας Μπορούν να Διορθώνονται Αυτοβοηθητικά με Εργαλεία Διαλόγου
• 2501.09136 Agentic Retrieval-Augmented Generation: Μια Έρευνα για το Agentic RAG

Έλεγχος Καπνού αυτού του Πράκτορα (Προαιρετικό)

Αφού μάθετε να αναπτύσσετε πράκτορες στο Μάθημα 16, μπορείτε να κάνετε έλεγχο καπνού στον TravelRAGAgent αυτής της ενότητας — ελέγχοντας ότι οι απαντήσεις του παραμένουν βασισμένες στη βάση γνώσεων — με το tests/lesson-05-smoke-tests.json. Δείτε το tests/README.md για οδηγίες εκτέλεσης.

Προηγούμενο Μάθημα

Πρότυπο Σχεδίασης Χρήσης Εργαλείων

Επόμενο Μάθημα

Κατασκευή Αξιόπιστων Πρακτόρων AI

---

Αποποίηση ευθυνών: Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη Co-op Translator. Ενώ επιδιώκουμε την ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.

This site is open source. Improve this page.