ai-agents-for-beginners

(לחצו על התמונה למעלה כדי לצפות בסרטון של השיעור)

Agentic RAG

שיעור זה מספק סקירה מקיפה של Agentic Retrieval-Augmented Generation (Agentic RAG), פרדיגמה מתפתחת בבינה מלאכותית שבה דגמי שפה גדולים (LLMs) מתכננים באופן אוטונומי את הצעדים הבאים שלהם תוך שליפת מידע ממקורות חיצוניים. בשונה מתבניות שליפת מידע סטטיות ואז קריאה, Agentic RAG כולל קריאות איטרטיביות ל-LLM, המשולבות בקריאות כלים או פונקציות ותפוקות מבניות. המערכת מעריכה תוצאות, משכללת שאילתות, מפעילה כלים נוספים במידת הצורך, וממשיכה במחזור זה עד להשגת פתרון משביע רצון.

מבוא

שיעור זה יכלול

• הבנת Agentic RAG: לימוד על הפרדיגמה המתפתחת בבינה מלאכותית שבה דגמי שפה גדולים מתכננים באופן אוטונומי את הצעדים הבאים שלהם תוך שליפת מידע ממקורות נתונים חיצוניים.
• הבנת סגנון Maker-Checker איטרטיבי: הבנת הלולאה של קריאות איטרטיביות ל-LLM, משולבות בקריאות כלים או פונקציות ותפוקות מבניות, שנועדו לשפר נכונות ולטפל בשאילתות שגויות.
• חקירת יישומים מעשיים: זיהוי תרחישים שבהם Agentic RAG זורח, כמו סביבות שבהן נכונות היא בראש מעייניהם, אינטראקציות מורכבות עם מסדי נתונים, וזרימות עבודה מורחבות.

מטרות למידה

לאחר סיום שיעור זה, תדעו כיצד/תבינו:

• הבנת Agentic RAG: ללמוד על הפרדיגמה המתפתחת בבינה מלאכותית שבה דגמי שפה גדולים מתכננים באופן אוטונומי את הצעדים הבאים שלהם תוך שליפת מידע ממקורות נתונים חיצוניים.
• סגנון Maker-Checker איטרטיבי: להבין את מושג הלולאה של קריאות איטרטיביות ל-LLM, משולבות בקריאות כלים או פונקציות ותפוקות מבניות, שנועדו לשפר נכונות ולטפל בשאילתות שגויות.
• אחיזת תהליך ההסקה: להבין את היכולת של המערכת לשלוט בתהליך ההסקה שלה, לקבל החלטות כיצד לגשת לבעיות ללא הסתמכות על מסלולים מוגדרים מראש.
• זרימת עבודה: להבין כיצד מודל אגנטי מחליט באופן עצמאי לשלוף דוחות מגמות שוק, לזהות נתוני מתחרים, לקשר בין מדדי מכירות פנימיים, לסנתז ממצאים, ולהעריך את האסטרטגיה.
• לולאות איטרטיביות, אינטגרציה של כלים וזיכרון: ללמוד על תבנית אינטראקציה לולאית של המערכת, שמטפחת מצב וזיכרון בין שלבים כדי למנוע לולאות חוזרות ולקבל החלטות מושכלות.
• טיפול במצבי כישלון ותיקון עצמי: לחקור את מנגנוני התיקון העצמי החזקים של המערכת, כולל איטרציה ושאילתות חוזרות, שימוש בכלים דיאגנוסטיים, ופנייה לפיקוח אנושי.
• גבולות האוטונומיה: להבין את המגבלות של Agentic RAG, עם דגש על אוטונומיה בתחום ספציפי, תלות בתשתיות, וכיבוד גבולות בטיחות.
• מקרי שימוש מעשיים וערך: לזהות תרחישים שבהם Agentic RAG מצטיין, כגון סביבות המתמקדות בנכונות, אינטראקציות מורכבות עם מסדי נתונים, וזרימות עבודה מורחבות.
• ממשל, שקיפות ואמון: ללמוד על חשיבות הממשל והשקיפות, כולל הסברת הסקות, שליטה בהטיות, ופיקוח אנושי.

מהו Agentic RAG?

Agentic Retrieval-Augmented Generation (Agentic RAG) היא פרדיגמה מתפתחת בבינה מלאכותית שבה דגמי שפה גדולים (LLMs) מתכננים באופן אוטונומי את הצעדים הבאים שלהם תוך שליפת מידע ממקורות חיצוניים. בשונה מתבניות שליפת מידע סטטיות ואז קריאה, Agentic RAG כולל קריאות איטרטיביות ל-LLM, המשולבות בקריאות כלים או פונקציות ותפוקות מבניות. המערכת מעריכה תוצאות, משכללת שאילתות, מפעילה כלים נוספים במידת הצורך, וממשיכה במחזור זה עד להשגת פתרון משביע רצון. סגנון פעולה איטרטיבי מסוג “maker-checker” זה משפר נכונות, מטפל בשאילתות שגויות ומבטיח תוצאות איכותיות.

המערכת שולטת באופן פעיל בתהליך ההסקה שלה, כותבת מחדש שאילתות שנכשלו, בוחרת שיטות שליפה שונות ומאחדת כלים מרובים — כגון חיפוש וקטורי ב-Azure AI Search, מסדי נתונים SQL או APIs מותאמים — לפני סיום התשובה. האיכות המבדילה של מערכת אגנטית היא היכולת לשלוט בתהליך ההסקה שלה. יישומי RAG מסורתיים מסתמכים על דרכים מוגדרות מראש, אך מערכת אגנטית קובעת באופן עצמאי את סדר הצעדים בהתבסס על איכות המידע שהיא מוצאת.

הגדרת Agentic Retrieval-Augmented Generation (Agentic RAG)

Agentic Retrieval-Augmented Generation (Agentic RAG) היא פרדיגמה חדשה בפיתוח בינה מלאכותית שבה דגמי שפה גדולים לא רק שולפים מידע ממקורות חיצוניים, אלא גם מתכננים באופן אוטונומי את הצעדים הבאים שלהם. בשונה מתבניות סטטיות של שליפה ואז קריאה או רצפי פקודות מתוכננים בקפידה, Agentic RAG כולל לולאה של קריאות איטרטיביות ל-LLM, המשולבות בקריאות כלים או פונקציות ותפוקות מבניות. בכל צעד המערכת מעריכה את התוצאות שהתקבלו, מחליטה האם לחדד את השאילתות שלה, מפעילה כלים נוספים במידת הצורך, וממשיכה במחזור זה עד להשגת פתרון משביע רצון.

סגנון פעולה איטרטיבי מסוג “maker-checker” נועד לשפר נכונות, לטפל בשאילתות שגויות למסדי נתונים מבניים (למשל NL2SQL), ולהבטיח תוצאות מאוזנות ואיכותיות. במקום להסתמך אך ורק על שרשראות פקודות מתוכננות בקפידה, המערכת שולטת באופן פעיל בתהליך ההסקה שלה. היא יכולה לכתוב מחדש שאילתות שנכשלו, לבחור שיטות שליפה שונות, ולשלב כלים רבים — כגון חיפוש וקטורי ב-Azure AI Search, מסדי נתונים SQL, או APIs מותאמים — לפני סיום התשובה. זה מונע את הצורך במערכות תזמור מורכבות מדי. במקום זאת, לולאה פשוטה של “קריאת LLM → שימוש בכלי → קריאת LLM → …” יכולה להניב פלטים מתוחכמים ומבוססים היטב.

שליטה בתהליך ההסקה

התכונה המבדילה שעושה מערכת ל”אגנטית” היא היכולת שלה לשלוט בתהליך ההסקה שלה. יישומי RAG מסורתיים תלויים לעיתים קרובות באנשים שמגדירים מראש מסלול למודל: שרשרת מחשבה שמפרטת מה לשלוף ומתי. אך כאשר מערכת היא באמת אגנטית, היא מחליטה פנימית כיצד לגשת לבעיה. היא לא רק מבצעת תסריט; היא קובעת באופן אוטונומי את סדר השלבים בהתבסס על איכות המידע שהיא מוצאת. לדוגמה, אם מבקשים ממנה ליצור אסטרטגיית השקה למוצר, היא לא מסתמכת רק על פקודה שמפרטת את כל מחקר וקבלת ההחלטות. במקום זאת, המודל האגנטי מחליט באופן עצמאי:

1. לשלוף דוחות מגמות שוק עדכניות באמצעות Bing Web Grounding
2. לזהות נתוני מתחרים רלוונטיים באמצעות Azure AI Search
3. לקשר ביניהם לבין מדדי מכירות היסטוריים פנימיים באמצעות Azure SQL Database
4. לסנתז את הממצאים לאסטרטגיה מגובשת שמתוזמרת דרך Azure OpenAI Service
5. להעריך את האסטרטגיה לאיתור פערים או סתירות, ולבצע שליפה נוספת במידת הצורך כל הצעדים הללו — שיפור שאילתות, בחירת מקורות, איטרציה עד לקבלת תשובה “מספקת” — מתקבלים על ידי המודל עצמו, לא כתסריט שסופק על ידי אדם.

לולאות איטרטיביות, אינטגרציה של כלים וזיכרון

מערכת אגנטית מסתמכת על תבנית אינטראקציה לולאית:

• קריאה ראשונית: מטרת המשתמש (כלומר פקודת המשתמש) מוצגת ל-LLM.
• הפעלה של כלי: אם המודל מזהה מידע חסר או הנחיות לא ברורות, הוא בוחר כלי או שיטת שליפה — כמו שאילתת מסד נתונים וקטורית (למשל חיפוש היברידי עם Azure AI Search על מידע פרטי) או קריאת SQL מבנית — כדי לאסוף הקשר נוסף.
• הערכה ושכלול: לאחר סקירת הנתונים שהוחזרו, המודל מחליט אם המידע מספיק. אם לא, הוא משכלל את השאילתה, מנסה כלי שונה, או מתאים את הגישה.
• חזרה עד סיפוק: מחזור זה נמשך עד שהמודל קובע שיש לו מספיק בהירות והוכחות כדי לספק תשובה סופית ומנומקת היטב.
• זיכרון ומצב: כיוון שהמערכת שומרת מצב וזיכרון לאורך השלבים, היא יכולה לזכור ניסיונות קודמים ותוצאותיהם, להימנע מלולאות חוזרות, ולקבל החלטות מושכלות יותר במהלך ההתקדמות.

עם הזמן, זה יוצר תחושה של הבנה מתפתחת, שמאפשרת למודל לנווט במשימות מורכבות רב-שלביות מבלי שיידרש התערבות אנושית מתמדת או שינוי פקודה.

טיפול במצבי כישלון ותיקון עצמי

האוטונומיה של Agentic RAG כוללת גם מנגנוני תיקון עצמי חזקים. כאשר המערכת נתקלת במבויים סתומים — כגון שליפת מסמכים לא רלוונטיים או פניות לשאילתות שגויות — היא יכולה:

• לשלב איטרציה ושאילתות חוזרות: במקום להחזיר תגובות בעלות ערך נמוך, המודל מנסה אסטרטגיות חיפוש חדשות, כותב מחדש שאילתות למסדי הנתונים, או מביט במאגרים חלופיים.
• שימוש בכלים דיאגנוסטיים: המערכת עשויה להפעיל פונקציות נוספות שנועדו לעזור לאבחן את שלבי ההסקה שלה או לאשר את נכונות הנתונים שנשלפו. כלים כמו Azure AI Tracing יהיו חשובים לאפשר יכולת תצפית ומעקב חזקה.
• פנייה לפיקוח אנושי: לסביבות עם סיכון גבוה או במצבים של כישלון חוזר, המודל עשוי לסמן חוסר וודאות ולבקש הנחיה אנושית. כאשר האדם מספק משוב מתקשר, המודל יכול לשלב את הלקח להמשך.

גישה איטרטיבית ודינמית זו מאפשרת למודל להשתפר באופן רציף, ומבטיחה שאין מדובר במערכת של הזדמנות אחת אלא במערכת שלומדת מטעויותיה במהלך אותה סשן.

גבולות האוטונומיה

למרות האוטונומיה בתוך המשימה, Agentic RAG אינו מקביל לאינטליגנציה כללית מלאכותית. יכולות ה”אגנטיות” שלו מוגבלות לכלים, מקורות הנתונים והמדיניות שהוגדרו על ידי מפתחים אנושיים. הוא אינו יכול להמציא כלים משלו או לצאת מגבולות התחום שנקבעו. במקום זאת, הוא מצטיין בתזמור דינמי של המשאבים שברשותו. ההבדלים המרכזיים מצורות AI מתקדמות יותר כוללים:

1. אוטונומיה ספציפית לתחום: מערכות Agentic RAG מתמקדות בהשגת מטרות שהוגדרו על ידי המשתמש בתוך תחום מוכר, ומיישמות אסטרטגיות כמו כתיבת שאלות מחדש או בחירת כלים לשיפור התוצאות.
2. תלות בתשתית: היכולות של המערכת תלויות בכלים ובנתונים המוטמעים על ידי המפתחים. היא אינה יכולה לעקוף גבולות אלו ללא התערבות אנושית.
3. כיבוד כללי בטיחות: הנחיות אתיות, כללי תאימות ומדיניות עסקית הם חשובים מאוד. חופש הפעולה של הסוכן תמיד מוגבל ע”י אמצעי בטיחות ומנגנוני פיקוח (בתקווה?)

מקרי שימוש מעשיים וערך

Agentic RAG מצטיין בתרחישים שדורשים שיפור איטרטיבי ודיוק:

1. סביבות שמעמידות נכונות בראש סדר העדיפויות: בבדיקות עמידה, ניתוח רגולטורי או מחקר משפטי, מודל האגנטי יכול לאמת לעיתים קרובות עובדות, להתיעץ עם מקורות מרובים, ולכתוב מחדש שאילתות עד להפקת תשובה מאומתת לחלוטין.
2. אינטראקציות מורכבות עם מסדי נתונים: כאשר עובדים עם נתונים מבניים שבהם השאילתות עשויות לכשל או לדרוש התאמה, המערכת יכולה לשפר באופן עצמאי את השאילתות בעזרת Azure SQL או Microsoft Fabric OneLake, ולוודא שהשליפה הסופית תואמת את כוונת המשתמש.
3. זרימות עבודה מורחבות: סשנים ארוכים עשויים להתפתח כאשר מידע חדש מתגלה. Agentic RAG יכול לשלב באופן רציף נתונים חדשים, לשנות אסטרטגיות בזמן שהוא לומד יותר על סביבת הבעיה.

ממשל, שקיפות ואמון

ככל שמערכות אלו הופכות אוטונומיות יותר בתהליך ההסקה, ממשל ושקיפות חשובים מאוד:

• הסקה מוסברת: המודל יכול לספק עקבות ביקורת של השאילתות שביצע, המקורות שייעץ להם, ושלבי ההסקה שננקטו כדי להגיע למסקנה. כלים כמו Azure AI Content Safety ו-Azure AI Tracing / GenAIOps יכולים לסייע לשמור על שקיפות ולהפחית סיכונים.
• שליטה בהטיות ושליפה מאוזנת: מפתחים יכולים לכוונן אסטרטגיות שליפה כדי לוודא שנלקחים בחשבון מקורות נתונים מאוזנים ומייצגים, ולבדוק פלטים באופן שגרתי לזיהוי הטיות או דפוסים מוטים באמצעות מודלים מותאמים לארגוני מדע נתונים מתקדמים המשתמשים ב-Azure Machine Learning.
• פיקוח אנושי ועמידה בתקינה: למשימות רגישות, סקירה אנושית נשארת חיונית. Agentic RAG אינו מחליף שיקול דעת אנושי בהחלטות בעלות הימור גבוה—אלא מעצים אותו באמצעות מתן אפשרויות שבחנו בקפידה.

חשוב שיהיו כלים שמספקים רשומה ברורה של הפעולות. בלעדיהם, איתור תקלות בתהליך רב-שלבי עלול להיות קשה מאוד. ראו את הדוגמה הבאה מ-Literal AI (החברה מאחורי Chainlit) להפעלתAgent:

סיכום

Agentic RAG מייצג אבולוציה טבעית באופן שבו מערכות בינה מלאכותית מתמודדות עם משימות מורכבות ומבוססות נתונים. באמצעות אימוץ תבנית אינטראקציה לולאית, בחירת כלים אוטונומית, ושכלול שאילתות עד להשגת תוצאה איכותית, המערכת עוברת מעבר למעקב אחר פקודות סטטיות אל מקבל החלטות גמיש, מודע להקשר. אף שעדיין מוגבל על ידי תשתיות שהוגדרו על ידי בני אדם והנחיות אתיות, יכולות האגנטיות הללו מאפשרות אינטראקציות AI עשירות, דינמיות ושימושיות יותר הן לארגונים והן למשתמשים הסופיים.

יש לכם שאלות נוספות על Agentic RAG?

הצטרפו ל-Microsoft Foundry Discord כדי להיפגש עם לומדים אחרים, להשתתף בשעות אימון ולקבל מענה על שאלות שלכם בנוגע לסוכני AI.

משאבים נוספים

• יישום Retrieval Augmented Generation (RAG) עם שירות Azure OpenAI: למדו כיצד להשתמש בנתונים שלכם בשירות Azure OpenAI. מודול Microsoft Learn זה מספק מדריך מקיף ליישום RAG
• הערכת יישומים של בינה מלאכותית גנרטיבית עם Microsoft Foundry: מאמר זה מכסה את ההערכה וההשוואה של מודלים על מאגרי מידע זמינים לציבור, כולל יישומים Agentic AI וארכיטקטורות RAG
• מהו Agentic RAG | Weaviate

• Agentic RAG: מדריך מקיף ל-Agent-Based Retrieval Augmented Generation – חדשות מ-Generation RAG

• Agentic RAG: הגבר את ה-RAG שלך עם שינוי שאילתות ושאילתות עצמאיות! ספר הבישול AI בקוד פתוח של Hugging Face
• הוספת שכבות Agentic ל-RAG
• עתיד העוזרים הידעיים: Jerry Liu
• איך לבנות מערכות Agentic RAG
• שימוש בשירות הסוכנים Foundry של Microsoft להרחבת סוכני ה-AI שלך

מאמרים אקדמיים

• 2303.17651 Self-Refine: שיפור איטרטיבי עם משוב עצמי
• 2303.11366 Reflexion: סוכני שפה עם למידה מחזקת מילולית
• 2305.11738 CRITIC: מודלים גדולים של שפה יכולים לתקן את עצמם עם ביקורת אינטראקטיבית עם כלים
• 2501.09136 Agentic Retrieval-Augmented Generation: סקר על Agentic RAG

בדיקת בסיס (Smoke-Testing) של סוכן זה (אופציונלי)

לאחר שלמדת לפרוס סוכנים ב-שיעור 16, תוכל לבצע בדיקת בסיס על TravelRAGAgent של השיעור הזה — לבדוק שהתשובות שלו נשארות מבוססות על מאגר הידע — עם tests/lesson-05-smoke-tests.json. ראה את tests/README.md כיצד להריץ זאת.

השיעור הקודם

תבנית עיצוב לשימוש בכלים

השיעור הבא

בניית סוכני AI אמינים

---

כתב ויתור: מסמך זה תורגם באמצעות שירות תרגום אוטומטי Co-op Translator. למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עלולים להכיל שגיאות או אי-דיוקים. יש להחשיב את המסמך המקורי בשפתו הטבעית כמקור הסמכות. למידע קריטי מומלץ להשתמש בתרגום מקצועי על ידי מתרגם אדם. אנו לא אחראים לכל אי-הבנה או פירוש שגוי הנובע מהשימוש בתרגום זה.

This site is open source. Improve this page.