ai-agents-for-beginners
(इस पाठ का वीडियो देखने के लिए ऊपर की छवि पर क्लिक करें)
एजेंटिक RAG
यह पाठ एजेंटिक रिट्रीवल-ऑगमेंटेड जनरेशन (Agentic RAG) का एक व्यापक अवलोकन प्रदान करता है, जो एक उभरता हुआ AI पैरेडाइम है जहाँ बड़े भाषा मॉडल (LLMs) स्वायत्त रूप से अपने अगले कदमों की योजना बनाते हैं जबकि बाहरी स्रोतों से जानकारी खींचते हैं। स्थैतिक रिट्रीवल-फिर-पढ़ने के पैटर्न की तुलना में, Agentic RAG में LLM को पुनरावर्तित कॉल शामिल होती हैं, जो टूल या फ़ंक्शन कॉल और संरचित आउटपुट के बीच व्यवस्थित होती हैं। सिस्टम परिणामों का मूल्यांकन करता है, क्वेरीज को परिष्कृत करता है, आवश्यक होने पर अतिरिक्त टूल्स को बोलाता है, और इस चक्र को तब तक जारी रखता है जब तक संतोषजनक समाधान प्राप्त न हो जाए।
परिचय
इस पाठ में कवर किया जाएगा
- एजेंटिक RAG को समझना: AI में उभरते पैरेडाइम के बारे में जानें जहाँ बड़े भाषा मॉडल (LLMs) स्वायत्त रूप से अपने अगले कदमों की योजना बनाते हैं जबकि वे बाहरी डेटा स्रोतों से जानकारी निकालते हैं।
- पुनरावर्ती मेकर-चेककर स्टाइल को समझना: LLM को पुनरावर्तित कॉल्स, उपकरण या फ़ंक्शन कॉल्स और संरचित आउटपुट के बीच चक्र के विचार को समझें, जो सटीकता सुधारने और गलत क्वेरीज को संभालने के लिए डिजाइन किया गया है।
- व्यावहारिक अनुप्रयोगों का पता लगाना: उन परिदृश्यों की पहचान करें जहाँ एजेंटिक RAG उत्कृष्ट होता है, जैसे सटीकता-केंद्रित वातावरण, जटिल डेटाबेस इंटरैक्शन, और विस्तारित वर्कफ़्लो।
सीखने के लक्ष्य
इस पाठ को पूरा करने के बाद, आप जानेंगे/समझेंगे:
- एजेंटिक RAG की समझ: AI में उस उभरते पैरेडाइम के बारे में जानें जहाँ बड़े भाषा मॉडल (LLMs) स्वायत्त रूप से अपने अगले कदमों की योजना बनाते हैं जबकि वे बाहरी डेटा स्रोतों से जानकारी निकालते हैं।
- पुनरावर्ती मेकर-चेककर शैली: LLM को पुनरावर्तित कॉल के चक्र, उपकरण या फ़ंक्शन कॉल्स और संरचित आउटपुट के बीच समझें, जो सटीकता सुधारने और गलत क्वेरीज को संभालने के लिए डिज़ाइन किया गया है।
- तर्क प्रक्रिया का स्वामित्व: सिस्टम की अपनी तर्क प्रक्रिया का स्वामित्व लेने की क्षमता को समझें, जो पूर्व-परिभाषित रास्तों पर निर्भर किए बिना समस्याओं को हल करने के लिए निर्णय लेता है।
- वर्कफ़्लो: समझें कि कैसे एक एजेंटिक मॉडल स्वतंत्र रूप से बाजार प्रवृत्ति रिपोर्ट प्राप्त करने, प्रतिस्पर्धी डेटा की पहचान करने, आंतरिक बिक्री मीट्रिक को सहसंबंधित करने, निष्कर्षों का संश्लेषण करने और रणनीति का मूल्यांकन करने का निर्णय लेता है।
- पुनरावर्ती लूप्स, उपकरण एकीकरण, और मेमोरी: सिस्टम के उस लूपड इंटरैक्शन पैटर्न पर निर्भरता को जानें, जो स्टेप्स में स्थिति और मेमोरी को बनाए रखता है ताकि पुनरावृत्ति से बचा जा सके और सूचित निर्णय लिए जा सकें।
- असफलता मोड और स्व-सुधार का प्रबंधन: सिस्टम के मजबूत स्व-सुधार तंत्र की जांच करें, जिसमें पुनरावृत्ति और पुनः-क्वेरी, डायग्नोस्टिक टूल्स का उपयोग, और मानव निरीक्षण पर निर्भरता शामिल है।
- एजेंसी की सीमाएँ: एजेंटिक RAG की सीमाओं को समझें, जिसमें डोमेन-विशिष्ट स्वायत्तता, अवसंरचना निर्भरता, और गार्डरेल्स का सम्मान शामिल है।
- व्यावहारिक उपयोग के मामले और मूल्य: उन परिदृश्यों की पहचान करें जहाँ एजेंटिक RAG उत्कृष्ट है, जैसे सटीकता-केंद्रित वातावरण, जटिल डेटाबेस इंटरैक्शन, और विस्तारित वर्कफ़्लो।
- शासन, पारदर्शिता, और विश्वास: शासन और पारदर्शिता के महत्व के बारे में जानें, जिसमें व्याख्यात्मक तर्क, पक्षपात नियंत्रण, और मानव निगरानी शामिल है।
एजेंटिक RAG क्या है?
एजेंटिक रिट्रीवल-ऑगमेंटेड जनरेशन (Agentic RAG) एक उभरता हुआ AI पैरेडाइम है जहाँ बड़े भाषा मॉडल (LLMs) स्वायत्त रूप से अपने अगले कदमों की योजना बनाते हैं जबकि बाहरी स्रोतों से जानकारी प्राप्त करते हैं। स्थैतिक रिट्रीवल-फिर-पढ़ने के पैटर्न की तुलना में, Agentic RAG में LLM को पुनरावर्तित कॉल शामिल होती हैं, जो टूल या फ़ंक्शन कॉल और संरचित आउटपुट के बीच व्यवस्थित होती हैं। सिस्टम परिणामों का मूल्यांकन करता है, क्वेरी को परिष्कृत करता है, आवश्यकतानुसार अतिरिक्त टूल्स को सक्रिय करता है, और इस चक्र को तब तक जारी रखता है जब तक संतोषजनक समाधान प्राप्त न हो जाए। यह पुनरावर्ती “मेकर-चेककर” शैली सटीकता में सुधार करती है, गलत क्वेरीज को संभालती है, और उच्च-गुणवत्ता वाले परिणाम सुनिश्चित करती है।
सिस्टम अपनी तर्क प्रक्रिया का सक्रिय रूप से स्वामित्व रखता है, विफल क्वेरीज को पुनःलिखित करता है, विभिन्न रिट्रीवल विधियों का चयन करता है, और कई टूल्स—जैसे Azure AI Search में वेक्टर खोज, SQL डेटाबेस, या कस्टम APIs—को एकीकृत करता है, इससे पहले कि अंतिम उत्तर सुनिश्चित किया जाए। एजेंटिक सिस्टम की विशिष्ट गुणवत्ता इसकी अपनी तर्क प्रक्रिया का स्वामित्व लेने की क्षमता है। पारंपरिक RAG निष्पादन पूर्व-परिभाषित रास्तों पर निर्भर करते हैं, लेकिन एजेंटिक सिस्टम स्वायत्त रूप से सूचना की गुणवत्ता के आधार पर कदमों का क्रम निर्धारित करता है।
एजेंटिक रिट्रीवल-ऑगमेंटेड जनरेशन (Agentic RAG) को परिभाषित करना
एजेंटिक रिट्रीवल-ऑगमेंटेड जनरेशन (Agentic RAG) AI विकास में एक उभरता पैरेडाइम है जहाँ LLM न केवल बाहरी डेटा स्रोतों से जानकारी प्राप्त करते हैं बल्कि अपने अगले कदमों की योजना भी स्वायत्त रूप से बनाते हैं। स्थैतिक रिट्रीवल-फिर-पढ़ मॉडल या सावधानीपूर्वक स्क्रिप्टेड प्रांप्ट अनुक्रमों की तुलना में, Agentic RAG में LLM को पुनरावर्तित कॉल के चक्र शामिल होते हैं, जो टूल या फ़ंक्शन कॉल और संरचित आउटपुट के बीच व्यवस्थित होते हैं। हर चक्र में, सिस्टम प्राप्त परिणामों का मूल्यांकन करता है, यह तय करता है कि क्या अपनी क्वेरीज को परिष्कृत करना है, आवश्यकतानुसार अतिरिक्त टूल्स को कॉल करता है, और तब तक इस चक्र को जारी रखता है जब तक संतोषजनक समाधान न प्राप्त हो।
यह पुनरावर्ती “मेकर-चेककर” शैली ऑपरेशन की सटीकता बढ़ाने, संरचित डेटाबेस (जैसे NL2SQL) के लिए गलत क्वेरीज को संभालने, और संतुलित, उच्च-गुणवत्ता वाले परिणाम सुनिश्चित करने के लिए डिज़ाइन किया गया है। सावधानीपूर्वक इंजीनियर किए गए प्रांप्ट चेन पर पूरी तरह निर्भर रहने के बजाय, सिस्टम सक्रिय रूप से अपनी तर्क प्रक्रिया का स्वामित्व रखता है। यह असफल क्वेरीज़ को पुनःलिखित कर सकता है, विभिन्न रिट्रीवल मेथड्स का चयन कर सकता है, और कई टूल्स—जैसे Azure AI Search में वेक्टर खोज, SQL डेटाबेस, या कस्टम APIs—को एकीकृत कर सकता है, इससे पहले कि अपना उत्तर अंतिम रूप दे। इससे अति जटिल ऑर्केस्ट्रेशन फ्रेमवर्क की आवश्यकता समाप्त हो जाती है। बल्कि, एक अपेक्षाकृत सरल “LLM कॉल → टूल उपयोग → LLM कॉल → …” चक्र से परिष्कृत और अच्छी तरह जमी आउटपुट मिल सकते हैं।
तर्क प्रक्रिया का स्वामित्व
एक सिस्टम को “एजेंटिक” बनाने वाली विशिष्ट गुणवत्ता इसकी अपनी तर्क प्रक्रिया का स्वामित्व लेने की उसकी क्षमता है। पारंपरिक RAG कार्यान्वयन अक्सर मॉडल के लिए एक मार्ग को पूर्व-परिभाषित करने पर निर्भर करते हैं: एक सोच-श्रृंखला जो बताती है कि कब क्या प्राप्त करना है। लेकिन जब कोई सिस्टम वास्तव में एजेंटिक होता है, तो वह आंतरिक रूप से यह निर्णय लेता है कि समस्या से कैसे निपटना है। यह केवल एक स्क्रिप्ट को निष्पादित नहीं कर रहा है; यह स्वायत्त रूप से उन कदमों के क्रम का निर्धारण करता है जो उसे मिली जानकारी की गुणवत्ता के आधार पर होते हैं। उदाहरण के लिए, यदि इसे एक उत्पाद लॉन्च रणनीति बनाने के लिए कहा जाता है, तो यह केवल उस प्रांप्ट पर निर्भर नहीं रहता जो पूरी शोध और निर्णय लेने की प्रक्रिया बताता है। इसके बजाय, एजेंटिक मॉडल स्वतंत्र रूप से निर्णय लेता है कि:
- बिंग वेब ग्राउंडिंग का उपयोग करके वर्तमान बाजार प्रवृत्ति रिपोर्ट प्राप्त करें
- Azure AI Search का उपयोग करके संबंधित प्रतियोगी डेटा की पहचान करें।
- Azure SQL डेटाबेस का उपयोग करके ऐतिहासिक आंतरिक बिक्री मीट्रिक्स का सहसंबंध करें।
- Azure OpenAI सेवा के माध्यम से समन्वित एक सामंजस्यपूर्ण रणनीति में निष्कर्षों का संश्लेषण करें।
- रणनीति का मूल्यांकन करें कि कहीं कोई अंतर या विसंगति तो नहीं है, और अगर आवश्यक हो तो पुनः प्राप्ति हेतु प्रांप्ट करें। ये सभी कदम—क्वेरीज को परिष्कृत करना, स्रोत चुनना, जब तक जवाब से “संतुष्ट” नहीं हो जाता तब तक पुनरावृत्ति करना—मॉडल द्वारा तय किए जाते हैं, न कि मानव द्वारा पूर्व-स्क्रिप्टेड।
पुनरावर्ती लूप्स, टूल एकीकरण, और मेमोरी
एक एजेंटिक सिस्टम लूप्ड इंटरैक्शन पैटर्न पर निर्भर करता है:
- प्रारंभिक कॉल: उपयोगकर्ता का लक्ष्य (अर्थात् उपयोगकर्ता प्रांप्ट) LLM को प्रस्तुत किया जाता है।
- टूल आह्वान: यदि मॉडल को जानकारी की कमी या अस्पष्ट निर्देश मिलते हैं, तो यह और संदर्भ प्राप्त करने के लिए एक टूल या रिकवरी मेथड चुनता है - जैसे वेक्टर डेटाबेस क्वेरी (जैसे Azure AI Search Hybrid खोज निजी डेटा पर) या संरचित SQL कॉल।
- मूल्यांकन और परिष्करण: प्राप्त डेटा की समीक्षा के बाद, मॉडल तय करता है कि क्या जानकारी पर्याप्त है। यदि नहीं, तो यह क्वेरी को परिष्कृत करता है, किसी अलग टूल का प्रयास करता है, या अपने दृष्टिकोण को समायोजित करता है।
- संतुष्ट होने तक पुनरावृति: यह चक्र तब तक जारी रहता है जब तक मॉडल यह निर्धारित नहीं करता कि उसके पास एक अंतिम, सुविचारित उत्तर देने के लिए पर्याप्त स्पष्टता और साक्ष्य है।
- मेमोरी और स्थिति: चूंकि सिस्टम स्टेप्स में स्थिति और मेमोरी बनाए रखता है, यह पिछली कोशिशों और उनके परिणामों को याद रख सकता है, पुनरावृत्ति से बचता है और आगे बढ़ते हुए अधिक सूचित निर्णय लेता है।
समय के साथ, यह एक विकसित हो रही समझ की भावना बनाता है, जिससे मॉडल जटिल, बहु-स्टेप कार्यों को बिना मानव हस्तक्षेप के या प्रांप्ट को बार-बार परिवर्तित किए बिना नेविगेट कर सकता है।
असफलता मोड और स्व-सुधार का प्रबंधन
एजेंटिक RAG की स्वायत्तता में मजबूत स्व-सुधार तंत्र भी शामिल हैं। जब सिस्टम मृत अंत तक पहुँचता है—जैसे अप्रासंगिक दस्तावेज़ प्राप्त करना या गलत क्वेरियों का सामना करना—तो यह कर सकता है:
- पुनरावृत्ति और पुनः-क्वेरी करना: कम-मूल्य वाले उत्तर लौटाने के बजाय, मॉडल नई खोज रणनीतियाँ आज़माता है, डेटाबेस क्वेरीज पुनःलिखित करता है, या वैकल्पिक डेटा सेट देखता है।
- डायग्नोस्टिक टूल्स का उपयोग करें: सिस्टम अतिरिक्त फ़ंक्शंस को कॉल कर सकता है जो इसे उसके तर्क के चरणों को डिबग करने या प्राप्त डेटा की सत्यता की पुष्टि करने में मदद करते हैं। Azure AI Tracing जैसे टूल्स मजबूत अवलोकनीयता और निगरानी सक्षम करने में महत्वपूर्ण होंगे।
- मानव पर्यवेक्षण पर निर्भर करना: उच्च-स्तरीय या बार-बार असफल होने वाले परिदृश्यों के लिए, मॉडल अनिश्चितता को चिह्नित कर मानव मार्गदर्शन का अनुरोध कर सकता है। जब मानव सुधारात्मक प्रतिक्रिया प्रदान करता है, तो मॉडल उस सबक को आगे के लिए शामिल कर सकता है।
यह पुनरावर्ती और गतिशील दृष्टिकोण मॉडल को निरंतर सुधारने की अनुमति देता है, यह सुनिश्चित करता है कि यह केवल एक-बार प्रयोग करने वाला सिस्टम नहीं है बल्कि एक ऐसा सिस्टम है जो दिए गए सत्र के दौरान अपनी गलतियों से सीखता है।
एजेंसी की सीमाएँ
कार्य के भीतर अपनी स्वायत्तता के बावजूद, Agentic RAG कृत्रिम सामान्य बुद्धिमत्ता के समान नहीं है। इसकी “एजेंटिक” क्षमताएँ केवल टूल्स, डेटा स्रोतों, और नीतियों तक सीमित होती हैं जो मानव डेवलपर्स द्वारा प्रदान की गई हैं। यह अपने उपकरणों का आविष्कार नहीं कर सकता या सेट किए गए डोमेन सीमाओं के बाहर कदम नहीं रख सकता। बल्कि, यह जिम्मेदारी से उपलब्ध संसाधनों का गतिशील रूप से प्रबंधन करने में सक्षम है। इसके और अधिक उन्नत AI रूपों से प्रमुख भिन्नताएँ हैं:
- डोमेन-विशिष्ट स्वायत्तता: Agentic RAG सिस्टम ज्ञात डोमेन के भीतर उपयोगकर्ता-परिभाषित लक्ष्यों को प्राप्त करने पर केंद्रित होते हैं, क्वेरी पुनर्लेखन या टूल चयन जैसी रणनीतियाँ उपयोग कर परिणामों को बेहतर बनाते हैं।
- अवसंरचना-निर्भर: सिस्टम की क्षमताएँ डेवलपर्स द्वारा एकीकृत किए गए टूल्स और डेटा पर निर्भर हैं। यह मानव हस्तक्षेप के बिना इन सीमाओं से ऊपर नहीं जा सकता।
- गार्डरेल्स का सम्मान: नैतिक दिशानिर्देश, अनुपालन नियम, और व्यावसायिक नीतियाँ बहुत महत्वपूर्ण रहती हैं। एजेंट की स्वतंत्रता हमेशा सुरक्षा उपायों और निगरानी तंत्रों (आशा है) से सीमित होती है।
व्यावहारिक उपयोग के मामले और मूल्य
Agentic RAG उन परिदृश्यों में उत्कृष्ट होता है जहां पुनरावृत्ति और सटीकता आवश्यक होती है:
१. सटीकता-केंद्रित वातावरण: अनुपालन जांच, नियामक विश्लेषण, या कानूनी अनुसंधान में एजेंटिक मॉडल बार-बार तथ्यों को सत्यापित कर सकता है, कई स्रोतों से परामर्श कर सकता है, और क्वेरीज को तब तक पुनःलिखित कर सकता है जब तक वह पूरी तरह जांचा गया उत्तर नहीं देता। २. जटिल डेटाबेस इंटरैक्शन: उस समय जब संरचित डेटा को संभालना और क्वेरीज अक्सर विफल हो सकती हैं या समायोजन की आवश्यकता होती है, सिस्टम Azure SQL या Microsoft Fabric OneLake का उपयोग कर अपनी क्वेरीज स्वायत्त रूप से परिष्कृत कर सकता है, यह सुनिश्चित करता है कि अंतिम पुनःप्राप्ति उपयोगकर्ता की मंशा के अनुरूप हो। ३. विस्तारित वर्कफ़्लो: लंबे सत्र नए डेटा के साथ विकसित हो सकते हैं। Agentic RAG लगातार नया डेटा शामिल कर सकता है, और समस्या स्थान के बारे में और अधिक जानने के साथ रणनीतियाँ बदल सकता है।
शासन, पारदर्शिता, और विश्वास
जैसे-जैसे ये सिस्टम अपनी तर्कशक्ति में अधिक स्वायत्त होते जा रहे हैं, शासन और पारदर्शिता महत्वपूर्ण हो जाती हैं:
- व्याख्यात्मक तर्क: मॉडल उन क्वेरियों का ऑडिट ट्रेल प्रदान कर सकता है जो उसने बनाए, जिन स्रोतों से उसने परामर्श किया, और जिस तर्क के कदमों को उसने अपने निष्कर्ष तक पहुंचने के लिए लिया। Azure AI Content Safety और Azure AI Tracing / GenAIOps जैसे टूल्स पारदर्शिता बनाए रखने और जोखिमों को कम करने में मदद कर सकते हैं।
- पक्षपात नियंत्रण और संतुलित पुनःप्राप्ति: डेवलपर्स पुनःप्राप्ति रणनीतियों को इस तरह से ट्यून कर सकते हैं कि संतुलित, प्रतिनिधि डेटा स्रोतों पर विचार किया जाए, और नियमित रूप से आउटपुट का ऑडिट कर सकते हैं ताकि पक्षपात या विकृत पैटर्न का पता लगाया जा सके, खासकर Azure Machine Learning का उपयोग करने वाले उन्नत डेटा साइंस संगठनों के लिए कस्टम मॉडल्स के साथ।
- मानव पर्यवेक्षण और अनुपालन: संवेदनशील कार्यों के लिए, मानव समीक्षा अनिवार्य रहती है। एजेंटिक RAG उच्च-स्तरीय निर्णयों में मानव निर्णय को प्रतिस्थापित नहीं करता—बल्कि इसे अधिक व्यापक जांच वाले विकल्प प्रदान कर बढ़ाता है।
उन टूलों का होना आवश्यक है जो क्रियाओं का स्पष्ट रिकॉर्ड प्रदान करते हैं। इनके बिना, बहु-चरण प्रक्रिया का डिबग करना बहुत कठिन हो सकता है। निम्नलिखित उदाहरण Literal AI (Chainlit के पीछे कंपनी) से एक एजेंट रन का उदाहरण है:
निष्कर्ष
एजेंटिक RAG AI सिस्टमों के लिए जटिल, डेटा-गहन कार्यों को संभालने में एक प्राकृतिक प्रगति का प्रतिनिधित्व करता है। एक लूप्ड इंटरैक्शन पैटर्न अपनाकर, स्वायत्त रूप से टूल्स का चयन करके, और उच्च-गुणवत्ता वाले परिणाम प्राप्त करने तक क्वेरीज को परिष्कृत करके, सिस्टम स्थैतिक प्रांप्ट-पालन से परे एक अधिक अनुकूल, संदर्भ-जागरूक निर्णय निर्माता बन जाता है। जबकि यह अभी भी मानव-परिभाषित अवसंरचनाओं और नैतिक दिशानिर्देशों से सीमित है, ये एजेंटिक क्षमताएं उद्यमों और अंतिम उपयोगकर्ताओं दोनों के लिए अधिक समृद्ध, गतिशील और अंततः अधिक उपयोगी AI इंटरैक्शन सक्षम करती हैं।
Agentic RAG के बारे में और प्रश्न हैं?
Microsoft Foundry Discord में शामिल हों ताकि अन्य शिक्षार्थियों से मिल सकें, ऑफिस ऑवर्स में भाग ले सकें और अपने AI एजेंट्स के प्रश्नों का उत्तर प्राप्त कर सकें।
अतिरिक्त संसाधन
- Azure OpenAI सेवा के साथ Retrieval Augmented Generation (RAG) लागू करें: जानें कि कैसे Azure OpenAI सेवा के साथ अपने डेटा का उपयोग करें। यह Microsoft Learn मॉड्यूल RAG को लागू करने पर एक व्यापक गाइड प्रदान करता है
- Microsoft Foundry के साथ जनरेटर AI अनुप्रयोगों का मूल्यांकन: यह लेख सार्वजनिक रूप से उपलब्ध डेटासेट पर मॉडल के मूल्यांकन और तुलना को कवर करता है, जिसमें Agentic AI अनुप्रयोग और RAG आर्किटेक्चर शामिल हैं
- Agentic RAG क्या है | Weaviate
-
Agentic RAG: एजेंट-आधारित रिट्रीवल ऑगमेंटेड जनरेशन के लिए पूर्ण गाइड – News from generation RAG
- एजेंटिक RAG: क्वेरी पुनःसंरचना और स्व-क्वेरी के साथ अपने RAG को टर्बोचार्ज करें! Hugging Face ओपन-सोर्स AI कुकबुक
- RAG में एजेंटिक लेयर्स जोड़ना
- ज्ञान सहायक का भविष्य: जेरी लियू
- एजेंटिक RAG सिस्टम कैसे बनाएं
- अपने AI एजेंट्स को स्केल करने के लिए Microsoft Foundry Agent Service का उपयोग
शैक्षणिक पत्रक
- 2303.17651 Self-Refine: सेल्फ-फीडबैक के साथ पुनरावृत्ति शोधन
- 2303.11366 रिफ्लेक्शन: मौखिक पुनर्बलन सीखने के साथ भाषा एजेंट
- 2305.11738 CRITIC: बड़े भाषा मॉडल टूल-इंटरैक्टिव समीक्षात्मक सुधार कर सकते हैं
- 2501.09136 एजेंटिक रिट्रीवल-ऑगमेंटेड जनरेशन: एजेंटिक RAG पर सर्वेक्षण
इस एजेंट का स्मोक-टेस्ट (वैकल्पिक)
जब आप Lesson 16 में एजेंट्स डिप्लॉय करना सीख लेते हैं, तो आप इस पाठ के TravelRAGAgent का स्मोक-टेस्ट कर सकते हैं — यह जांचने के लिए कि उसके उत्तर ज्ञान आधार में बने रहें — tests/lesson-05-smoke-tests.json के साथ। इसे चलाने के लिए देखें tests/README.md।
पिछला पाठ
अगला पाठ
अस्वीकरण: इस दस्तावेज़ का अनुवाद AI अनुवाद सेवा Co-op Translator का उपयोग करके किया गया है। जबकि हम सटीकता के लिए प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवादों में त्रुटियाँ या अशुद्धियाँ हो सकती हैं। मूल दस्तावेज़ अपनी मूल भाषा में ही प्रामाणिक 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।