ai-agents-for-beginners

Agentic RAG

(ऊपर दी गई छवि पर क्लिक करें इस पाठ का वीडियो देखने के लिए)

एजेंटिक RAG

यह पाठ एजेंटिक रिट्रीवल-ऑगमेंटेड जनरेशन (Agentic RAG) का एक व्यापक अवलोकन प्रदान करता है, जो एक उभरता हुआ एआई दृष्टिकोण है, जिसमें बड़े भाषा मॉडल (LLMs) बाहरी स्रोतों से जानकारी खींचते हुए स्वायत्त रूप से अपने अगले कदम की योजना बनाते हैं। स्थिर रिट्रीवल-फिर-रीड पैटर्न के विपरीत, एजेंटिक RAG में LLM के लिए बार-बार कॉल करना शामिल है, जो टूल या फंक्शन कॉल और संरचित आउटपुट के साथ मिश्रित होता है। सिस्टम परिणामों का मूल्यांकन करता है, क्वेरी को परिष्कृत करता है, यदि आवश्यक हो तो अतिरिक्त टूल का उपयोग करता है, और तब तक इस चक्र को जारी रखता है जब तक कि एक संतोषजनक समाधान प्राप्त न हो जाए।

परिचय

इस पाठ में आप सीखेंगे:

सीखने के लक्ष्य

इस पाठ को पूरा करने के बाद, आप निम्नलिखित को जानेंगे/समझेंगे:

एजेंटिक RAG क्या है?

एजेंटिक रिट्रीवल-ऑगमेंटेड जनरेशन (Agentic RAG) एक उभरता हुआ एआई दृष्टिकोण है, जिसमें बड़े भाषा मॉडल (LLMs) बाहरी स्रोतों से जानकारी खींचते हुए स्वायत्त रूप से अपने अगले कदम की योजना बनाते हैं। स्थिर रिट्रीवल-फिर-रीड पैटर्न के विपरीत, एजेंटिक RAG में LLM के लिए बार-बार कॉल करना शामिल है, जो टूल या फंक्शन कॉल और संरचित आउटपुट के साथ मिश्रित होता है। सिस्टम परिणामों का मूल्यांकन करता है, क्वेरी को परिष्कृत करता है, यदि आवश्यक हो तो अतिरिक्त टूल का उपयोग करता है, और तब तक इस चक्र को जारी रखता है जब तक कि एक संतोषजनक समाधान प्राप्त न हो जाए।

यह पुनरावृत्त “मेकर-चेकर” शैली सटीकता में सुधार करने, संरचित डेटाबेस (जैसे NL2SQL) के लिए गलत क्वेरी को संभालने, और उच्च-गुणवत्ता वाले परिणाम सुनिश्चित करने के लिए डिज़ाइन की गई है। पारंपरिक RAG कार्यान्वयन पूर्व-निर्धारित पथों पर निर्भर करते हैं, लेकिन एक एजेंटिक सिस्टम स्वायत्त रूप से उस जानकारी की गुणवत्ता के आधार पर चरणों के अनुक्रम को निर्धारित करता है जो इसे मिलती है।

एजेंटिक रिट्रीवल-ऑगमेंटेड जनरेशन (Agentic RAG) की परिभाषा

एजेंटिक रिट्रीवल-ऑगमेंटेड जनरेशन (Agentic RAG) एआई विकास में एक उभरता हुआ दृष्टिकोण है, जिसमें LLMs न केवल बाहरी डेटा स्रोतों से जानकारी खींचते हैं, बल्कि स्वायत्त रूप से अपने अगले कदम की योजना भी बनाते हैं। स्थिर रिट्रीवल-फिर-रीड पैटर्न या सावधानीपूर्वक स्क्रिप्टेड प्रॉम्प्ट अनुक्रमों के विपरीत, एजेंटिक RAG में LLM के लिए बार-बार कॉल करना शामिल है, जो टूल या फंक्शन कॉल और संरचित आउटपुट के साथ मिश्रित होता है।

हर चरण में, सिस्टम प्राप्त परिणामों का मूल्यांकन करता है, यह तय करता है कि क्वेरी को परिष्कृत करना है या नहीं, यदि आवश्यक हो तो अतिरिक्त टूल का उपयोग करता है, और तब तक इस चक्र को जारी रखता है जब तक कि एक संतोषजनक समाधान प्राप्त न हो जाए।

यह पुनरावृत्त “मेकर-चेकर” शैली सटीकता में सुधार करने, संरचित डेटाबेस (जैसे NL2SQL) के लिए गलत क्वेरी को संभालने, और उच्च-गुणवत्ता वाले परिणाम सुनिश्चित करने के लिए डिज़ाइन की गई है।

Agentic RAG Core Loop

तर्क प्रक्रिया का स्वामित्व

एजेंटिक सिस्टम की सबसे विशिष्ट गुणवत्ता यह है कि यह अपनी तर्क प्रक्रिया का स्वामित्व लेता है। पारंपरिक RAG कार्यान्वयन अक्सर इस बात पर निर्भर करते हैं कि मनुष्य मॉडल के लिए एक पथ को पूर्व-निर्धारित करें: एक चेन-ऑफ-थॉट जो यह बताता है कि क्या और कब पुनः प्राप्त करना है।

लेकिन जब एक सिस्टम वास्तव में एजेंटिक होता है, तो यह आंतरिक रूप से तय करता है कि समस्या से कैसे निपटना है। यह केवल एक स्क्रिप्ट को निष्पादित नहीं कर रहा है; यह स्वायत्त रूप से उस जानकारी की गुणवत्ता के आधार पर चरणों के अनुक्रम को निर्धारित कर रहा है जो इसे मिलती है।

उदाहरण के लिए, यदि इसे एक उत्पाद लॉन्च रणनीति बनाने के लिए कहा जाता है, तो यह केवल एक प्रॉम्प्ट पर निर्भर नहीं करता है जो पूरे शोध और निर्णय लेने के वर्कफ़्लो को स्पष्ट करता है। इसके बजाय, एजेंटिक मॉडल स्वतंत्र रूप से निर्णय लेता है:

  1. वर्तमान बाजार प्रवृत्ति रिपोर्ट प्राप्त करना (Bing Web Grounding का उपयोग करके)
  2. प्रासंगिक प्रतिस्पर्धी डेटा की पहचान करना (Azure AI Search का उपयोग करके)
  3. ऐतिहासिक आंतरिक बिक्री मेट्रिक्स को सहसंबंधित करना (Azure SQL Database का उपयोग करके)
  4. निष्कर्षों को एक सुसंगत रणनीति में संश्लेषित करना (Azure OpenAI Service के माध्यम से)
  5. रणनीति में अंतराल या असंगतियों का मूल्यांकन करना, यदि आवश्यक हो तो पुनः प्राप्ति का एक और दौर शुरू करना

ये सभी चरण—क्वेरी को परिष्कृत करना, स्रोतों का चयन करना, उत्तर से “संतुष्ट” होने तक पुनरावृत्ति करना—मॉडल द्वारा तय किए जाते हैं, न कि किसी मनुष्य द्वारा पूर्व-लिखित।

इटरेटिव लूप्स, टूल इंटीग्रेशन, और मेमोरी

Tool Integration Architecture

एक एजेंटिक सिस्टम एक लूप्ड इंटरैक्शन पैटर्न पर निर्भर करता है:

समय के साथ, यह एक विकसित समझ की भावना पैदा करता है, जिससे मॉडल को जटिल, बहु-चरणीय कार्यों को नेविगेट करने में सक्षम बनाता है, बिना किसी मनुष्य को लगातार हस्तक्षेप करने या प्रॉम्प्ट को फिर से आकार देने की आवश्यकता के।

विफलता मोड और आत्म-सुधार को संभालना

एजेंटिक RAG की स्वायत्तता में मजबूत आत्म-सुधार तंत्र भी शामिल हैं। जब सिस्टम गतिरोध पर पहुंचता है—जैसे अप्रासंगिक दस्तावेज़ प्राप्त करना या गलत क्वेरी का सामना करना—तो यह:

Self Correction Mechanism

एजेंसी की सीमाएं

हालांकि एक कार्य के भीतर इसकी स्वायत्तता है, एजेंटिक RAG कृत्रिम सामान्य बुद्धिमत्ता के समान नहीं है। इसकी “एजेंटिक” क्षमताएं मानव डेवलपर्स द्वारा प्रदान किए गए टूल, डेटा स्रोतों, और नीतियों तक ही सीमित हैं।

व्यावहारिक उपयोग के मामले और मूल्य

एजेंटिक RAG उन परिदृश्यों में उत्कृष्ट प्रदर्शन करता है जहां पुनरावृत्ति और सटीकता की आवश्यकता होती है:

  1. सटीकता-प्रथम वातावरण: अनुपालन जांच, नियामक विश्लेषण, या कानूनी शोध में, एजेंटिक मॉडल बार-बार तथ्यों की पुष्टि कर सकता है, कई स्रोतों से परामर्श कर सकता है, और एक पूरी तरह से सत्यापित उत्तर तैयार करने तक क्वेरी को फिर से लिख सकता है।
  2. जटिल डेटाबेस इंटरैक्शन: संरचित डेटा के साथ काम करते समय, जहां क्वेरी अक्सर विफल हो सकती है या समायोजन की आवश्यकता हो सकती है, सिस्टम स्वायत्त रूप से अपनी क्वेरी को परिष्कृत कर सकता है।
  3. विस्तारित वर्कफ़्लो: लंबे समय तक चलने वाले सत्रों में, जैसे-जैसे नई जानकारी सामने आती है, एजेंटिक RAG लगातार नए डेटा को शामिल कर सकता है।

गवर्नेंस, पारदर्शिता, और विश्वास

जैसे-जैसे ये सिस्टम अपने तर्क में अधिक स्वायत्त होते जाते हैं, गवर्नेंस और पारदर्शिता महत्वपूर्ण हो जाती है:

AgentRunExample

AgentRunExample2

निष्कर्ष

एजेंटिक RAG जटिल, डेटा-गहन कार्यों को संभालने में एआई सिस्टम के विकास का एक स्वाभाविक चरण है।

एजेंटिक RAG के बारे में और प्रश्न हैं?

Azure AI Foundry Discord से जुड़ें।

अतिरिक्त संसाधन

- Azure OpenAI सेवा के साथ Retrieval Augmented Generation (RAG) लागू करें: जानें कि Azure OpenAI सेवा के साथ अपने डेटा का उपयोग कैसे करें। यह Microsoft Learn मॉड्यूल RAG को लागू करने पर एक व्यापक मार्गदर्शिका प्रदान करता है।

शैक्षणिक शोध पत्र

पिछला पाठ

Tool Use Design Pattern

अगला पाठ

Trustworthy AI Agents बनाना


अस्वीकरण:
यह दस्तावेज़ AI अनुवाद सेवा Co-op Translator का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता के लिए प्रयासरत हैं, कृपया ध्यान दें कि स्वचालित अनुवाद में त्रुटियां या अशुद्धियां हो सकती हैं। मूल भाषा में उपलब्ध मूल दस्तावेज़ को आधिकारिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।