ai-agents-for-beginners

(برای مشاهده ویدیو این درس روی تصویر بالا کلیک کنید)

Agentic RAG

این درس یک مرور جامع دربارهٔ Agentic Retrieval-Augmented Generation (Agentic RAG) ارائه می‌دهد، یک مدل در حال ظهور در هوش مصنوعی که در آن مدل‌های زبان بزرگ (LLMها) به‌صورت خودکار مراحل بعدی خود را برنامه‌ریزی می‌کنند در حالی که اطلاعات را از منابع خارجی استخراج می‌کنند. برخلاف الگوهای ایستا مانند «بازیابی سپس خواندن»، Agentic RAG شامل فراخوانی‌های تکراری به LLM است که در میان آن‌ها فراخوانی ابزار یا تابع و خروجی‌های ساختاریافته قرار دارد. سیستم نتایج را ارزیابی می‌کند، پرسش‌ها را تصحیح می‌کند، در صورت نیاز ابزارهای بیشتری را فراخوانی می‌کند و این چرخه را تا رسیدن به راه‌حل رضایت‌بخش ادامه می‌دهد.

مقدمه

این درس شامل موارد زیر خواهد بود

• درک Agentic RAG: آشنایی با پارادایم نوظهور در هوش مصنوعی که در آن مدل‌های زبان بزرگ (LLMها) به‌صورت خودکار مراحل بعدی خود را برنامه‌ریزی می‌کنند و در عین حال اطلاعات را از منابع داده خارجی استخراج می‌کنند.
• درک سبک تکراری Maker-Checker: فهم چرخه فراخوانی‌های تکراری به LLM که در میان آن‌ها فراخوانی ابزار یا تابع و خروجی‌های ساختاریافته قرار دارد، به منظور بهبود صحت و مدیریت پرسش‌های نادرست.
• بررسی کاربردهای عملی: شناسایی موقعیت‌هایی که Agentic RAG در آن‌ها درخشان است، مانند محیط‌های مبتنی بر صحت اول، تعاملات پیچیده با پایگاه داده و جریان‌های کاری طولانی‌مدت.

اهداف یادگیری

پس از اتمام این درس، شما خواهید دانست چگونه/درک کنید:

• درک Agentic RAG: آموزش دیدن دربارهٔ پارادایم نوظهور هوش مصنوعی که مدل‌های زبان بزرگ (LLMها) به‌صورت خودکار مراحل بعدی خود را برنامه‌ریزی کرده و اطلاعات را از منابع داده خارجی استخراج می‌کنند.
• سبک تکراری Maker-Checker: درک مفهوم چرخه فراخوانی‌های تکراری به LLM که در میان آن‌ها فراخوانی ابزار یا تابع و خروجی‌های ساختاریافته قرار دارد، به منظور بهبود صحت و مدیریت پرسش‌های نادرست.
• در مالکیت فرآیند استدلال: فهم توانایی سیستم برای مالکیت بر فرآیند استدلال خود، اتخاذ تصمیم دربارهٔ نحوه برخورد با مسائل بدون تکیه بر مسیرهای پیش‌تعریف شده.
• جریان کاری: درک چگونگی تصمیم‌گیری مستقل یک مدل عاملی برای بازیابی گزارش‌های روند بازار، شناسایی داده‌های رقبا، همبستگی آمار فروش داخلی، ترکیب یافته‌ها و ارزیابی استراتژی.
• چرخه‌های تکراری، یکپارچه‌سازی ابزار و حافظه: یادگیری دربارهٔ تکیه سیستم بر الگوی تعامل حلقه‌ای، حفظ حالت و حافظه در طی مراحل برای جلوگیری از تکرار چرخه‌ها و اتخاذ تصمیمات آگاهانه.
• مدیریت حالت‌های شکست و اصلاح خودکار: بررسی مکانیسم‌های اصلاح خودکار قوی سیستم از جمله تکرار و پرسش مجدد، استفاده از ابزارهای تشخیصی و اتکا به نظارت انسانی در صورت لزوم.
• مرزهای عامل بودن: درک محدودیت‌های Agentic RAG، تمرکز بر خودمختاری دامنه-محدود، وابستگی به زیرساخت‌ها و احترام به خطوط راهنما.
• موارد استفاده عملی و ارزش: شناسایی موقعیت‌هایی که Agentic RAG در آن‌ها برجسته است، مانند محیط‌های بر اساس صحت اولویت‌دار، تعاملات پایگاه داده پیچیده و جریان‌های کاری طولانی.
• حکمرانی، شفافیت و اعتماد: یادگیری اهمیت حکمرانی و شفافیت، از جمله استدلال قابل توضیح، کنترل سوگیری و نظارت انسانی.

Agentic RAG چیست؟

Agentic Retrieval-Augmented Generation (Agentic RAG) یک پارادایم نوظهور در هوش مصنوعی است که در آن مدل‌های زبان بزرگ (LLMها) به‌صورت خودکار مراحل بعدی خود را برنامه‌ریزی می‌کنند در حالی که اطلاعات را از منابع خارجی استخراج می‌کنند. برخلاف الگوهای ایستا مانند «بازیابی سپس خواندن»، Agentic RAG شامل فراخوانی‌های تکراری به LLM، در میان فراخوانی ابزار یا تابع و خروجی‌های ساختاریافته است. سیستم نتایج را ارزیابی می‌کند، پرسش‌ها را تصحیح می‌کند، ابزارهای بیشتری را در صورت نیاز فرا می‌خواند و این چرخه را تا رسیدن به راه‌حل رضایت‌بخش ادامه می‌دهد. این سبک تکراری «سازنده-بازرس» صحت را بهبود می‌بخشد، پرسش‌های نادرست را مدیریت می‌کند و نتایج با کیفیت بالا را تضمین می‌کند.

سیستم به‌طور فعال فرآیند استدلال خود را مالکیت می‌کند، پرسش‌های ناموفق را بازنویسی می‌کند، روش‌های بازیابی مختلف را انتخاب می‌کند و ابزارهای متعددی را — مانند جستجوی برداری در Azure AI Search، پایگاه‌های داده SQL یا APIهای سفارشی — ترکیب می‌کند قبل از اینکه پاسخ نهایی را ارائه دهد. ویژگی متمایز یک سیستم عاملی توانایی آن در مالکیت فرآیند استدلالش است. پیاده‌سازی‌های سنتی RAG بر مسیرهای پیش‌تعریف شده تکیه دارند، اما یک سیستم عاملی به‌طور خودکار ترتیب مراحل را بر اساس کیفیت اطلاعات یافت‌شده تعیین می‌کند.

تعریف Agentic Retrieval-Augmented Generation (Agentic RAG)

Agentic Retrieval-Augmented Generation (Agentic RAG) یک پارادایم نوظهور در توسعه هوش مصنوعی است که در آن مدل‌های زبان بزرگ (LLMها) نه تنها اطلاعات را از منابع داده خارجی استخراج می‌کنند بلکه به‌صورت خودکار مراحل بعدی خود را برنامه‌ریزی می‌کنند. برخلاف الگوهای ایستا مانند «بازیابی سپس خواندن» یا دنباله‌های دقیق از قبل نوشته شده، Agentic RAG شامل یک حلقه فراخوانی‌های تکراری به LLM است که در میان آن‌ها فراخوانی ابزار یا تابع و خروجی‌های ساختاریافته قرار دارد. در هر مرحله، سیستم نتایجی که به دست آورده را ارزیابی می‌کند، تصمیم می‌گیرد آیا پرسش‌ها را اصلاح کند، ابزارهای بیشتری را در صورت نیاز فرا می‌خواند و این چرخه را تا رسیدن به راه‌حل رضایت‌بخش ادامه می‌دهد.

این سبک تکراری «سازنده-بازرس» به منظور بهبود صحت، مدیریت پرسش‌های نادرست به پایگاه داده‌های ساختاریافته (مانند NL2SQL)، و تضمین نتایج متوازن و با کیفیت بالا طراحی شده است. به جای تکیه صرف بر زنجیره‌های پرامپت مهندسی‌شده، سیستم به‌طور فعال فرآیند استدلال خود را در اختیار دارد. می‌تواند پرسش‌هایی که شکست می‌خورند را بازنویسی کند، روش‌های بازیابی متفاوتی را انتخاب نماید و ابزارهای متعددی — مانند جستجوی برداری در Azure AI Search، پایگاه‌های داده SQL یا APIهای سفارشی — را قبل از ارائه پاسخ نهایی ادغام کند. این امر نیاز به چارچوب‌های پیچیده تنظیم وظایف را از بین می‌برد. به جای آن، یک حلقه نسبتاً ساده «فراخوانی LLM → استفاده از ابزار → فراخوانی LLM → …» می‌تواند خروجی‌های پیشرفته و مبتنی بر شواهد تولید کند.

مالکیت فرآیند استدلال

ویژگی متمایزی که یک سیستم را «عاملی» می‌سازد توانایی آن در مالکیت فرآیند استدلال خود است. پیاده‌سازی‌های سنتی RAG اغلب به تعریف مسیر پیش‌تعیین‌شده توسط انسان برای مدل وابسته‌اند: زنجیره‌ای از استدلال که مشخص می‌کند چه چیزی و چه زمانی بازیابی شود. اما وقتی یک سیستم واقعاً عاملی است، به‌صورت داخلی تصمیم می‌گیرد که چگونه مسئله را مدیریت کند. این فقط اجرای یک اسکریپت نیست؛ بلکه به‌طور خودمختار توالی مراحل را بر اساس کیفیت اطلاعاتی که یافته، تعیین می‌کند. برای مثال، اگر از آن خواسته شود استراتژی راه‌اندازی محصول را ایجاد کند، تنها به پرامپتی که کل روند تحقیق و تصمیم‌گیری را به‌طور کامل توضیح می‌دهد تکیه نمی‌کند. بلکه مدل عاملی به‌صورت مستقل تصمیم می‌گیرد:

1. گزارش‌های روند بازار فعلی را با استفاده از Bing Web Grounding بازیابی کند
2. داده‌های مرتبط با رقباء را با استفاده از Azure AI Search شناسایی کند.
3. شاخص‌های فروش داخلی تاریخی را با استفاده از Azure SQL Database همبسته کند.
4. یافته‌ها را به یک استراتژی منسجم ترکیب کند که از طریق Azure OpenAI Service هماهنگ شده است.
5. استراتژی را از نظر کاستی‌ها یا ناهماهنگی‌ها ارزیابی کند و در صورت لزوم یک دور دیگر بازیابی انجام دهد. تمام این مراحل — بازنگری پرسش‌ها، انتخاب منابع، تکرار تا رسیدن به پاسخ رضایت‌بخش — توسط مدل تصمیم‌گیری می‌شود، نه توسط انسان برنامه‌ریزی شده است.

چرخه‌های تکراری، ادغام ابزار و حافظه

یک سیستم عاملی بر یک الگوی تعامل حلقه‌ای متکی است:

• فراخوانی اولیه: هدف کاربر (پرامپت کاربر) به LLM ارائه می‌شود.
• فراخوانی ابزار: اگر مدل اطلاعات ناقص یا دستورالعمل مبهم شناسایی کند، ابزاری یا روش بازیابی — مانند پرسش به پایگاه داده برداری (مانند جستجوی ترکیبی Azure AI Search در داده‌های خصوصی) یا فراخوانی ساختاری SQL — را برای جمع‌آوری زمینه بیشتر انتخاب می‌کند.
• ارزیابی و اصلاح: پس از بررسی داده‌های برگشتی، مدل تصمیم می‌گیرد آیا اطلاعات کافی است یا خیر. اگر کافی نباشد، پرسش را تصحیح می‌کند، ابزار دیگری را امتحان می‌کند یا رویکرد خود را تنظیم می‌کند.
• تکرار تا رضایت: این چرخه ادامه می‌یابد تا مدل تشخیص دهد که وضوح و شواهد کافی برای ارائه پاسخ نهایی و با استدلال دارد.
• حافظه و حالت: چون سیستم حالت و حافظه را در طول مراحل حفظ می‌کند، می‌تواند تلاش‌های قبلی و نتایجشان را به خاطر بسپارد، از چرخه‌های تکراری جلوگیری کند و تصمیمات آگاهانه‌تری را در ادامه اتخاذ نماید.

با گذر زمان، این حس درک رو به تکامل را ایجاد می‌کند که امکان هدایت مدل را در وظایف پیچیده و چند مرحله‌ای فراهم می‌آورد بدون نیاز به دخالت مکرر انسان یا تغییر مداوم پرامپت.

مدیریت حالت‌های شکست و اصلاح خودکار

خودمختاری Agentic RAG شامل مکانیسم‌های اصلاح خودکار قوی نیز می‌شود. وقتی سیستم به بن‌بست برخورد می‌کند — مانند بازیابی اسناد نامرتبط یا مواجهه با پرسش‌های نادرست — می‌تواند:

• تکرار و پرسش مجدد: به جای ارائه پاسخ‌های کم‌ارزش، مدل استراتژی‌های جستجوی جدید را امتحان می‌کند، پرسش‌های پایگاه داده را بازنویسی می‌کند یا مجموعه داده‌های جایگزین را بررسی می‌کند.
• استفاده از ابزارهای تشخیصی: ممکن است سیستم توابع اضافی را فراخوانی کند که به آن در اشکال‌زدایی مراحل استدلال یا تأیید صحت داده‌های بازیابی شده کمک می‌کنند. ابزارهایی مثل Azure AI Tracing برای ایجاد مشاهده‌پذیری و پایش قوی اهمیت خواهند داشت.
• اتکا به نظارت انسانی: برای سناریوهای حساس یا بارها شکست خورده، مدل ممکن است عدم قطعیت را علامت بزند و درخواست راهنمایی انسانی کند. پس از ارائه بازخورد اصلاحی توسط انسان، مدل می‌تواند آن درس را در ادامه وارد نماید.

این رویکرد تکراری و پویا اجازه می‌دهد مدل به طور مداوم بهبود یابد و تضمین می‌کند که این فقط یک سیستم یک‌بار-اول نیست بلکه سیستمی است که از اشتباهات خود در خلال یک جلسه می‌آموزد.

مرزهای عاملی

با وجود خودمختاری در یک وظیفه، Agentic RAG معادل هوش مصنوعی عمومی نیست. قابلیت‌های «عاملی» آن محدود به ابزارها، منابع داده و سیاست‌های ارائه شده توسط توسعه‌دهندگان انسانی است. نمی‌تواند ابزارهای خود را اختراع کند یا از مرزهای دامنه تعیین شده فراتر رود. بلکه در سازماندهی منابع در دسترس به صورت پویا تبحر دارد. تفاوت‌های کلیدی با اشکال پیشرفته‌تر هوش مصنوعی شامل موارد زیر است:

1. خودمختاری خاص دامنه: سیستم‌های Agentic RAG بر دستیابی به اهداف تعریف شده توسط کاربر در یک دامنه شناخته شده متمرکزند و از راهبردهایی مانند بازنویسی پرسش یا انتخاب ابزار برای بهبود نتایج استفاده می‌کنند.
2. وابستگی به زیرساخت: قابلیت‌های سیستم بر ابزارها و داده‌هایی که توسط توسعه‌دهندگان یکپارچه شده‌اند متکی است. بدون دخالت انسان نمی‌تواند این محدودیت‌ها را پشت سر بگذارد.
3. احترام به خطوط راهنما: دستورالعمل‌های اخلاقی، قوانین تطبیق و سیاست‌های کسب و کار بسیار مهم باقی می‌مانند. آزادی عامل همیشه توسط تدابیر ایمنی و مکانیسم‌های نظارت محدود می‌شود (امیدواریم؟)

موارد استفاده عملی و ارزش

Agentic RAG در موقعیت‌هایی که اصلاح تکراری و دقت مورد نیاز است، درخشان است:

1. محیط‌های مبتنی بر صحت اول: در بررسی‌های تطبیقی، تحلیل‌های نظارتی یا تحقیقات حقوقی، مدل عاملی می‌تواند به‌طور مکرر حقایق را تأیید کند، به منابع متعدد مراجعه نماید و پرسش‌ها را بازنویسی کند تا پاسخ کاملاً بررسی شده‌ای ارائه دهد.
2. تعاملات پیچیده پایگاه داده: وقتی با داده‌های ساختاریافته سر و کار دارد که ممکن است پرسش‌ها اغلب شکست بخورند یا نیاز به تنظیم داشته باشند، سیستم می‌تواند پرسش‌های خود را با استفاده از Azure SQL یا Microsoft Fabric OneLake به صورت خودمختار اصلاح کند، به طوری که بازیابی نهایی با نیت کاربر مطابقت داشته باشد.
3. جریان‌های کاری طولانی مدت: جلسات طولانی ممکن است با ظهور اطلاعات جدید تکامل یابند. Agentic RAG می‌تواند به طور مداوم داده‌های جدید را وارد کند و استراتژی‌ها را با یادگیری بیشتر درباره فضای مسئله تغییر دهد.

حکمرانی، شفافیت و اعتماد

با خودمختارتر شدن این سیستم‌ها در استدلال، حکمرانی و شفافیت اهمیت حیاتی دارند:

• استدلال قابل توضیح: مدل می‌تواند مسیر بازرسی پرسش‌هایی که انجام داده، منابعی که مشورت کرده و مراحل استدلالش برای رسیدن به نتیجه را ارائه دهد. ابزارهایی مانند Azure AI Content Safety و Azure AI Tracing / GenAIOps می‌توانند به حفظ شفافیت و کاهش ریسک‌ها کمک کنند.
• کنترل سوگیری و بازیابی متوازن: توسعه‌دهندگان می‌توانند راهبردهای بازیابی را تنظیم کنند تا اطمینان حاصل شود منابع داده متوازن و نماینده لحاظ شده‌اند و به طور منظم خروجی‌ها را برای تشخیص سوگیری یا الگوهای نامتعادل با استفاده از مدل‌های سفارشی برای سازمان‌های پیشرفته علوم داده در Azure Machine Learning حسابرسی نمایند.
• نظارت انسانی و تطابق: در وظایف حساس، بازبینی انسانی ضروری است. Agentic RAG جایگزین قضاوت انسانی در تصمیمات حساس نمی‌شود بلکه با ارائه گزینه‌های به طور کامل بررسی شده، آن را بهبود می‌بخشد.

داشتن ابزارهایی که رکورد واضحی از اقدامات ارائه می‌دهند ضروری است. بدون این ابزارها، اشکال‌زدایی یک فرآیند چند مرحله‌ای می‌تواند بسیار دشوار باشد. نمونه زیر از Literal AI (شرکتی پشت Chainlit) برای اجرای Agent:

نتیجه‌گیری

Agentic RAG یک تحول طبیعی در نحوه مدیریت سیستم‌های هوش مصنوعی برای وظایف پیچیده و مبتنی بر داده است. با اتخاذ الگوی تعامل حلقه‌ای، انتخاب خودکار ابزارها و اصلاح پرسش‌ها تا رسیدن به نتیجه‌ای با کیفیت بالا، سیستم فراتر از پیروی ایستا از پرامپت حرکت می‌کند و به یک تصمیم‌گیرنده سازگار و آگاه به زمینه بدل می‌شود. هرچند هنوز محدود به زیرساخت‌ها و دستورالعمل‌های اخلاقی تعریف شده توسط انسان است، این قابلیت‌های عاملی تعاملات هوش مصنوعی غنی‌تر، پویا‌تر و نهایتاً مفیدتری را برای سازمان‌ها و کاربران نهایی فراهم می‌آورد.

سوالات بیشتری درباره Agentic RAG دارید؟

به Microsoft Foundry Discord بپیوندید تا با سایر یادگیرندگان ملاقات کنید، در ساعات کاری شرکت کنید و سوالات خود درباره عامل‌های هوش مصنوعی را مطرح نمایید.

منابع اضافی

• پیاده‌سازی Retrieval Augmented Generation (RAG) با سرویس Azure OpenAI: آموزش استفاده از داده‌های خود با سرویس Azure OpenAI. این ماژول Microsoft Learn راهنمای جامع پیاده‌سازی RAG را ارائه می‌دهد
• ارزیابی برنامه‌های هوش مصنوعی مولد با Microsoft Foundry: این مقاله پوشش‌دهنده ارزیابی و مقایسه مدل‌ها بر روی داده‌های عمومی، از جمله برنامه‌های هوش مصنوعی عاملی و معماری‌های RAG است
• Agentic RAG چیست | Weaviate

• Agentic RAG: راهنمای کامل برای نسل افزایش‌یافته مبتنی بر عامل– اخبار از generation RAG

• Agentic RAG: با بازنویسی پرسش و پرسش خودکار، RAG خود را تقویت کنید! کتاب آشپزی هوش مصنوعی متن‌باز هوگینگ‌فیس
• افزودن لایه‌های عاملی به RAG
• آینده دستیارهای دانش: جری لیو
• چگونه سیستم‌های Agentic RAG بسازیم
• استفاده از سرویس عامل مایکروسافت فوندری برای گسترش عامل‌های هوش مصنوعی شما

مقالات علمی

• 2303.17651 Self-Refine: تصحیح تدریجی با بازخورد خودکار
• 2303.11366 Reflexion: عامل‌های زبانی با یادگیری تقویتی کلامی
• 2305.11738 CRITIC: مدل‌های زبانی بزرگ با نقد تعاملی ابزارها قادر به خودتصحیحی هستند
• 2501.09136 تولید بازیابی‌تقویت‌شده عاملی: مرور کلی بر Agentic RAG

آزمایش سریع این عامل (اختیاری)

پس از یادگیری نحوه استقرار عامل‌ها در درس ۱۶، می‌توانید آزمایش سریع TravelRAGAgent این درس را با tests/lesson-05-smoke-tests.json انجام دهید — بررسی کنید که پاسخ‌های آن مبتنی بر پایگاه دانش باقی می‌ماند. برای نحوه اجرای آن به tests/README.md مراجعه کنید.

درس قبلی

الگوی طراحی استفاده از ابزار

درس بعدی

ساخت عامل‌های هوش مصنوعی قابل اعتماد

---

سلب مسئولیت: این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌هایی باشند. سند اصلی به زبان مادری خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما در قبال هرگونه سوء تفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.

This site is open source. Improve this page.