ai-agents-for-beginners

(ចុចលើរូបភាពខាងលើដើម្បីមើលវីដេអូមេរៀននេះ)

Agentic RAG

មេរៀននេះផ្ដល់ឱ្យនូវការពិពណ៌នាពី Agentic Retrieval-Augmented Generation (Agentic RAG) ដែលជាការផ្គុំគំនិត AI ថ្មីមួយ ដែលម៉ូដែលភាសាធំនៅខាងក្នុងវាអាចរៀបចំផែនការដំណើរការបន្ទាប់បន្សំនឹងអាចទាញយកព័ត៌មានពីប្រភពខាងក្រៅបានដោយស្វ័យប្រវត្តិ។ ខុសពីរបៀប static retrieval-then-read បែបផែន Agentic RAG អនុញ្ញាតឱ្យមានការហៅ LLM ជាច្រើនជុំៗគ្នា ព្រមទាំងហៅឧបករណ៍ ឬអនុគមន៍ និងបញ្ចូនលទ្ធផលដែលមានរចនាសម្ព័ន្ធ។ ប្រព័ន្ធវាយតម្លៃលទ្ធផល បង្កើតសំណួរឡើងវិញ ហៅឧបករណ៍បន្ថែមប្រសិនបើចាំបាច់ ហើយបន្តសង្វៀននេះរហូតដល់ទទួលបានដំណោះស្រាយដែលពេញចិត្ត។

ការណែនាំ

មេរៀននេះនឹងកូដក្តៅ

• យល់ដឹងអំពី Agentic RAG: រៀនពីគន្លងថ្មីក្នុង AI ដែលម៉ូដែលភាសាធំនៅខាងក្នុងអាចរៀបចំផែនការបន្ទាប់ដោយស្វ័យប្រវត្តិបង្ហាញពីការទាញយកព័ត៌មានពីប្រភពខាងក្រៅ។
• យល់ដឹងពីរបៀប Iterative Maker-Checker: យល់ពីសង្វៀនហៅ LLM ជាបន្តបន្ទាប់ ព្រមទាំងហៅឧបករណ៍ ឬអនុគមន៍ និងផ្ដល់លទ្ធផលដែលមានរចនាសម្ព័ន្ធ ដើម្បីធានាការត្រឹមត្រូវ និងដោះស្រាយសំណួរមិនត្រឹមត្រូវ។
• ស្វែងយល់ពីការប្រើប្រាស់ជាក់លាក់: កំណត់ស្ថានការណ៍ដែល Agentic RAG បង្ហាញភាពល្អ ដូចជា បរិយាកាសត្រឹមត្រូវជាមុន ការប្រតិបត្តិចម្រុះទិន្នន័យ និងដំណើរការវែងៗ។

គោលដៅការសិក្សា

បន្ទាប់ពីបានបញ្ចប់មេរៀននេះ អ្នកនឹងដឹងរបៀប/យល់អំពី៖

• យល់អំពី Agentic RAG: រៀនពីគន្លង AI ថ្មី ដែលម៉ូដែលភាសាធំនៅខាងក្នុងអាចរៀបចំដំណើរការបន្ទាប់ដោយស្វ័យប្រវត្តិក្នុងការទាញយកព័ត៌មានពីប្រភពខាងក្រៅ។
• របៀប Iterative Maker-Checker: យល់ពីចំនោមហៅ LLM ជាបន្តបន្ទាប់ ព្រមទាំងហៅឧបករណ៍ ឬអនុគមន៍ និងផ្ដល់លទ្ធផលដែលមានរចនាសម្ព័ន្ធ ដើម្បីបង្កើនភាពត្រឹមត្រូវ និងដោះស្រាយសំណួរមិនសមរម្យ។
• ការជាន់ខ្លួនក្នុងដំណើរការគិត: យល់អំពីសមត្ថភាពប្រព័ន្ធក្នុងការត្រួតត្រាដំណើរការរបស់ខ្លួន។ វាអាចដំណើរការដោះស្រាយបញ្ហាតាមរបៀបដែលវាជ្រើសរើសដោយមិនពឹងផ្អែកលើផ្លូវបានកំណត់រួចហើយ។
• ដំណើរការ: យល់ពីរបៀបម៉ូដែល agentic សម្រេចចិត្តដោយឯករាជ្យក្នុងការទាញយករបាយការណ៍និន្នាការទីផ្សារ កំណត់ទិន្នន័យស្រប់ប្រកួត ប្រមូលមេត្រារបស់ការលក់ ផលិតសង្ខេប និងវាយតម្លៃយុទ្ធសាស្រ្ត។
• សង្វៀនបន្តបន្ទាប់ ការរួមបញ្ចូលឧបករណ៍ និងអង្គចងចាំ: យល់ពីការគៀបការហៅជាច្រើនជុំ រក្សាតម្លៃស្ថានភាព និងអង្គចងចាំតាមដំណាក់កាល ដើម្បីជៀសវាងការសង្វៀនម្តងម្តាប់ ហើយធ្វើការសម្រេចចិត្តយល់ដឹង។
• ដោះស្រាយបញ្ហាបរាជ័យ និងការកែតម្រូវខ្លួនឯង: ស្វែងយល់ពីយន្តការកែតម្រូវខ្លួនឯងរឹងមាំ រួមទាំងការបន្តហៅហើយស្វែងរកព័ត៌មានឡើងវិញ ការប្រើឧបករណ៍វិភាគ និងការគ្រប់គ្រងដោយមនុស្ស។
• ដែនកំណត់នៃសិទ្ធិប្រតិបត្តិការណ៍: យល់ពីកំណត់ដែននៃ Agentic RAG ដែលផ្អែកលើឯករាជ្យក្នុងដែនកំណត់ ជាស្ថាបត្យកម្ម និងការគោរពច្បាប់សុវត្ថិភាព។
• ករណីប្រើប្រាស់ជាក់លាក់ និងតម្លៃ: កំណត់ស្ថានការណ៍ដែល Agentic RAG បង្ហាញភាពល្អ ដូចជា បរិយាកាសត្រឹមត្រូវជាមុន ការប្រតិបត្តិចម្រុះទិន្នន័យ និងដំណើរការវែងៗ។
• ការគ្រប់គ្រង ភាពថ្លៃថ្លា និងការជឿទុកចិត្ត: រៀនអំពីសារៈសំខាន់នៃការគ្រប់គ្រង និងភាពថ្លៃថ្លា រួមទាំងការបង្ហាញការយល់ ដាក់កំណត់បំណង និងការត្រួតពិនិត្យមនុស្ស។

Agentic RAG ជាអ្វី?

Agentic Retrieval-Augmented Generation (Agentic RAG) គឺជាគន្លង AI ថ្មីដែលម៉ូដែលភាសាធំនៅខាងក្នុងអាចរៀបចំផែនការបន្ទាប់ដោយស្វ័យប្រវត្តិកាលទាញយកព័ត៌មានពីប្រភពខាងក្រៅ។ ខុសពីរបៀប static retrieval-then-read របស់មុន Agentic RAG អនុញ្ញាតឱ្យមានហៅ LLM ជាបន្តបន្ទាប់ ព្រមទាំងហៅឧបករណ៍ ឬអនុគមន៍ និងបញ្ចូនលទ្ធផលដែលមានរចនាសម្ព័ន្ធ។ ប្រព័ន្ធវាយតម្លៃលទ្ធផល កែសំណួរ ហៅឧបករណ៍បន្ថែម ប្រសិនបើចាំបាច់ ហើយបន្តសង្វៀននេះរហូតដល់ទទួលបានលទ្ធផលដែលពេញចិត្ត។ របៀប “maker-checker” ជាបន្តបន្ទាប់នេះធ្វើឱ្យបានភាពត្រឹមត្រូវខ្ពស់ ដោះស្រាយសំណួរមិនត្រឹមត្រូវ និងធានាលទ្ធផលគុណភាពខ្ពស់។

ប្រព័ន្ធមានសមត្ថភាពត្រួតត្រាដំណើរការគិតរបស់ខ្លួន ដើម្បីសរសេរសំណួរដែលបរាជ័យ ជ្រើសរើសវិធីទាញយកផ្សេងៗ និងរួមបញ្ចូលឧបករណ៍ជាច្រើន ដូចជាការស្វែងរកវ៉ិចទ័រនៅក្នុង Azure AI Search ធាតុទិន្នន័យ SQL ឬ API ប្ដូរតាមបំណង មុនពេលបញ្ចប់ចម្លើយ។ គុណសម្បត្តិរបស់ប្រព័ន្ធ agentic គឺអាចគ្រប់គ្រងដំណើរការគិតរបស់ខ្លួន។ RAG បែបបុរាណពឹងផ្អែកលើផ្លូវដែលបានកំណត់រួច ក៏ប៉ុន្តែប្រព័ន្ធ agentic ទទួលខុសត្រូវសម្រេចជំហានដោយខ្លួនឯងតាមគុណភាពពត៌មានដែលវាដកអស់។

កំណត់ន័យ Agentic Retrieval-Augmented Generation (Agentic RAG)

Agentic Retrieval-Augmented Generation (Agentic RAG) គឺជាគន្លងខាងមុខក្នុងការអភិវឌ្ឍ AI ដែល LLM មិនត្រឹមតែទាញយកពត៌មានពីប្រភពខាងក្រៅតែប៉ុណ្ណោះទេ តែថែមទាំងរៀបចំដំណើរការបន្ទាប់ដោយស្វ័យប្រវត្តិ។ ខុសពីរបៀប static retrieval-then-read ឬការលាយបញ្ចូលពាក្យស្នើសុំនៅលើបច្ចេកទេស ពាក្យស្នើសុំ Agentic RAG មានសង្វៀនហៅទៅ LLM ជាច្រើនជុំៗគ្នា ព្រមទាំងប្រើឧបករណ៍ឬអនុគមន៍ និងផ្ដល់លទ្ធផលដែលមានរចនាសម្ព័ន្ធ។ នៅលើគ្រប់ជំហាន ប្រព័ន្ធវាយតម្លៃលទ្ធផល កំណត់ថាតើត្រូវកែសំណួរឬទេ ហៅឧបករណ៍បន្ថែម ប្រសិនបើចាំបាច់ ហើយបន្តសង្វៀនរហូតដល់ទទួលបានដំណោះស្រាយដែលពេញចិត្ត។

របៀប “maker-checker” ជាសង្វៀននេះ មានគោលបំណងបង្កើនភាពត្រឹមត្រូវ ដោះស្រាយសំណួរមិនត្រឹមត្រូវដល់មូលដ្ឋានទិន្នន័យដូចជា NL2SQL និងធានាលទ្ធផលគុណភាពល្អ។ វាមិនពឹងផ្អែកលើខ្សែការណ៍ពាក្យស្នើសុំដែលបានរៀបចំយ៉ាងម៉ត់ចត់ទេ។ ប្រព័ន្ធនេះអាចសរសេរសំណួរឡើងវិញ ជ្រើសរើសវិធីសាស្រ្តផ្សេងៗទាញយកនិងរួមបញ្ចូលឧបករណ៍ជាច្រើន ដូចជា ស្វែងរកវ៉ិចទ័រសម្រាប់ Azure AI Search ទិន្នន័យ SQL ឬ API ផ្ទាល់ខ្លួន មុនពេលផ្តល់ចម្លើយ។ វា ក៏ជួយដោះស្រាយការប្រើប្រាស់ស៊ុមដែលស្មុគស្មាញពេក។ ជំនួសវិញ សង្វៀនតូចៗ “ហៅ LLM → ប្រើឧបករណ៍ → ហៅ LLM → …” អាចបង្កើតលទ្ធផលខ្ពស់ និងមានមូលដ្ឋានល្អ។

រក្សា​គ្រប់គ្រង​ដំណើរការគិត

គុណភាពលេចធ្លោដែលធ្វើឲ្យប្រព័ន្ធមានសមត្ថភាព “agentic” គឺសមត្ថភាពក្នុងការគ្រប់គ្រងដំណើរការគិតរបស់ខ្លួន។ RAG បែបបុរាណភាគច្រើនពឹងផ្អែកលើមនុស្សកំណត់ផ្លូវសម្រាប់ម៉ូដែល: ខ្សែសង្វាក់គិតដែលបញ្ជាក់ត្រូវទាញយកអ្វី និងពេលណា។ ប៉ុន្តែពេលប្រព័ន្ធនៅភាព agentic វាជ្រើសរើសក្នុងខ្លួនវាថាត្រូវដោះស្រាយបញ្ហាបែបណា។ វាមិនត្រឹមតែអនុវត្តស្គ្រីបទេ តែវាសម្រេចចិត្តលំដាប់ជំហានដោយស្វ័យប្រវត្តិ ព្រមទាំងយោងលើគុណភាពពត៌មានដែលវាពីរកឃើញ។ ឧទាហរណ៍ ប្រសិនបើវាត្រូវបានស្នើឲ្យបង្កើតយុទ្ធសាស្រ្តចាប់ផ្តើមផលិតផល វាមិនពឹងផ្អែកត្រឹមតែពាក្យស្នើសំដែលបញ្ជាក់ដំណើរការស្រាវជ្រាវ និងការសម្រេចចិត្តទាំងមូលទេ។ តែម៉ូដែល agentic រើសរើសដោយឯករាជ្យដូចខាងក្រោម៖

1. ទាញយករបាយការណ៍និន្នាការទីផ្សារបច្ចុប្បន្នដោយប្រើ Bing Web Grounding
2. កំណត់ទិន្នន័យប្រកួតប្រជែងទាក់ទងដោយប្រើ Azure AI Search
3. ប្រៀបធៀបមេត្រាការលក់ក្នុងក្នុងរយៈពេលកន្លងមកដោយប្រើ Azure SQL Database
4. សង្ខេបលទ្ធផលទៅជា​យុទ្ធសាស្រ្ត​តំណាង​តាមរយៈ Azure OpenAI Service
5. វាយតម្លៃយុទ្ធសាស្រ្តសម្រាប់ចន្លោះ ឬកង្វះខាត ហើយស្នើសុំការទាញយកឈុតបន្ថែម ប្រសិនបើគួរឱ្យធ្វើ។ ជំហានទាំងស្រុងទាំងនេះ - កែសំណួរ ជ្រើសប្រភព សុំទិន្នន័យសង្វៀនរហូតដល់ពេញចិត្តនឹងចម្លើយ - ត្រូវបានម៉ូដែលសម្រេចចិត្ត មិនមែនដោយស្គ្រីបដែលត្រូវបានមនុស្សកំណត់ទេ។

សង្វៀនបន្តបន្ទាប់ ការរួមបញ្ចូលឧបករណ៍ និងអង្គចងចាំ

ប្រព័ន្ធ agentic ស្ថិតលើរបៀបទំនាក់ទំនងជាសង្វៀន៖

• ហៅដំបូង៖ គោលបំណងរបស់អ្នកប្រើ (ឬ user prompt) ត្រូវបានផ្ដល់ទៅ LLM។
• ហៅឧបករណ៍៖ ប្រសិនបើម៉ូដែលរកឃើញព័ត៌មានខ្វះ ឬ សេចក្តីណែនាំមិនច្បាស់ វាជ្រើសឧបករណ៍ ឬ វិធីសាស្រ្តទាញយកព័ត៌មាន—ដូចជាសំណួរទៅមូលដ្ឋានទិន្នន័យវ៉ិចទ័រ (ឧ. Azure AI Search Hybrid search លើទិន្នន័យឯកជន) ឬហៅ SQL ទ្រង់ទ្រាយ ដើម្បីប្រមូលបរិបទបន្ថែម។
• វាយតម្លៃ & កែសំរុង៖ បន្ទាប់ពីពិនិត្យទិន្នន័យដែលបានប្រមូល ម៉ូដែលសម្រេចថាតើពត៌មានគ្រប់គ្រាន់។ ប្រសិនបើមិនបាន វាកែសំណួរ ប្រើឧបករណ៍ផ្សេង ឬកែទម្រង់វិធីសាស្រ្ត។
• ធ្វើម្តងទៀតរហូតពេញចិត្ត៖ សង្វៀននេះបន្តរហូតដល់ម៉ូដែលទទួលបានភាពច្បាស់លាស់ និងភស្តុតាងគ្រប់គ្រាន់ដើម្បីផ្តល់ចម្លើយចុងក្រោយដែលមានហេតុផល។
• អង្គចងចាំ & ស្ថានភាព៖ ព្រោះប្រព័ន្ធរក្សាស្ថានភាព និងអង្គចងចាំឲ្យបានតាមដំណាក់កាល វាមានសមត្ថភាពចងចាំការព្យាយាមមុនៗ និងលទ្ធផលរបស់ពួកវា ជៀសវាងការសង្វៀនម្តងម្តាប់ ហើយធ្វើការសម្រេចចិត្តបានយល់ដឹងខ្ពស់ នៅពេលបន្តដំណើរការ។

ជាមួយពេលវេលា វាបង្កើតអារម្មណ៍នៃការយល់ដឹងអភិវឌ្ឍ ដែលអាចជួយម៉ូដែលដំណើរការបេសកកម្មស្មុគស្មាញមានជំហានជាច្រើនដោយមិនចាំបាច់ឲ្យមនុស្សចូលរួមឬប្ដូរពាក្យស្នើសុំជាប់ជាតិ។

ដោះស្រាយបញ្ហាបរាជ័យ និងកែតម្រូវខ្លួនឯង

អិចខតិចភាព agentic RAG រួមមានយន្តការកែតម្រូវខ្លួនឯងរឹងមាំ។ នៅពេលប្រព័ន្ធជួបកំហុស - ដូចជា ទាញយកឯកសារមិនពាក់ព័ន្ធ ឬប្រើសំណួរមិនត្រឹមត្រូវ - វាអាចធ្វើ:

• ធ្វើម្តងទៀត និងសួរសំណួរឡើងវិញ៖ ប្រសិនបើចម្លើយមានតម្លៃទាប ម៉ូដែលនឹងសាកសួរស្វែងរកវិធីតាមថ្មី សរសេរសំណួរទិន្នន័យឡើងវិញ ឬមើលឯកសារផ្សេងទៀត។
• ប្រើឧបករណ៍វាយតម្លៃ៖ ប្រព័ន្ធអាចហៅអនុគមន៍បន្ថែមដែលជួយរកកំហុស និងបញ្ជាក់ភាពត្រឹមត្រូវនៃទិន្នន័យដែលបានទាញដោន។ ឧបករណ៍ដូចជា Azure AI Tracing មានសារៈសំខាន់ក្នុងការត្រួតពិនិត្យ និងតាមដាន។
• ស្នើការគ្រប់គ្រងដោយមនុស្ស៖ សម្រាប់ស្ថានការណ៍មានហានិភ័យខ្ពស់ ឬបរាជ័យជាបន្តបន្ទាប់ ម៉ូដែលអាចស្នើរសុំមនុស្សជំនួយ បន្ទាប់ពីមនុស្សផ្តល់មតិយោបល់កែតម្រូវ ម៉ូដែលអាចបញ្ចូលវាទៅកាន់ការងារពេលក្រោយ។

របៀបបែបនេះធ្វើឱ្យម៉ូដែលអាចចិញ្ចឹមខ្លួនបានជាបន្តបន្ទាប់ ប្រាកដថាវាមិនមែនសystem ប្រភេទម្នាក់ឯងទេ ប៉ុន្តែជាសистемаដែលរៀនពីកំហុសខ្លួនក្នុងវគ្គកំណត់។

ដែនកំណត់នៃសិទ្ធិប្រតិបត្តិការណ៍

ទោះបីជាមានឯករាជ្យក្នុងបេសកកម្ម ក៏ប៉ុន្តែ Agentic RAG មិនស្មើនឹង Artificial General Intelligence ទេ។ សមត្ថភាព “agentic” របស់វាត្រូវបានកំណត់នៅឧបករណ៍ ទិន្នន័យ និងគោលការណ៍ដែលអ្នកអភិវឌ្ឍបានផ្តល់។ វាមិនអាចបង្កើតឧបករណ៍ផ្ទាល់ខ្លួន ឬលើសពីដែនកំណត់ដែលបានកំណត់។ វាឯកទេសក្នុងការរៀបចំធនធានដែលមាន។ ភាពខុសគ្នាចម្បងពី AI កម្រិតខ្ពស់ជាងមានដូចជា៖

1. ឯករាជ្យតាមដែនជាក់លាក់: ប្រព័ន្ធ Agentic RAG ផ្តោតលើការសម្រេចគោលបំណងដែលបានកំណត់ដោយអ្នកប្រើ ក្នុងដែនពាក់ព័ន្ធ ដោយប្រើយុទ្ធសាស្រ្តដូចជាការសរសេរសំណួរឡើងវិញ ឬជ្រើសរើសឧបករណ៍ដើម្បីបង្កើនលទ្ធផល។
2. អាស្រ័យលើអធិការដ្ឋាន: សមត្ថភាពនៃប្រព័ន្ធគឺទាក់ទងទៅនឹងឧបករណ៍ និងទិន្នន័យដែលអ្នកអភិវឌ្ឍបានបញ្ចូល។ វាមិនអាចលើសពីដែនកំណត់ទាំងនេះដោយគ្មានការជួយពីមនុស្ស។
3. គោរពច្បាប់សុវត្ថិភាព: គោលការណ៍សីលធម៌ ការអនុវត្ដតាមច្បាប់ និងគោលការណ៍អាជីវកម្មនៅតែមានសារៈសំខាន់ខ្លាំង។ សេរីភាពរបស់ម៉ាស៊ីនត្រូវបានគ្រប់គ្រងដោយវិធានការ និងការត្រួតពិនិត្យសុវត្ថិភាព (សង្ឃឹមថា?).

ករណីប្រើប្រាស់ជាក់លាក់ និងតម្លៃ

Agentic RAG បង្ហាញភាពល្អនៅក្នុងស្ថានการณ์ដែលតម្រូវការកែសំរុងជាបន្តបន្ទាប់ និងភាពត្រឹមត្រូវខ្ពស់៖

1. បរិយាកាសត្រឹមត្រូវជាមុន: ក្នុងការត្រួតពិនិត្យការអនុវត្ត ច្បាប់ ឬស្រាវជ្រាវផ្នែកច្បាប់ ម៉ូដែល agentic អាចបញ្ជាក់ភាពត្រឹមត្រូវជាបន្តបន្ទាប់ ពិនិត្យប្រភពជាច្រើន ហើយសរសេរសំណួរឡើងវិញរហូតទទួលបានចម្លើយពិនិត្យដោយល្អ។
2. ប្រតិបត្តិចម្រុះមូលដ្ឋានទិន្នន័យ: នៅពេលដំណើរការទិន្នន័យមានរចនាសម្ព័ន្ធ ដែលសំណួរមិនត្រឹមត្រូវ ឬត្រូវកែសំរុងជាញឹកញាប់ ប្រព័ន្ធអាចកែសំណួរដោយជាឯករាជ្យប្រើ Azure SQL ឬ Microsoft Fabric OneLake ដើម្បីធានាថាលទ្ធផលចុងក្រោយស្របតាមបំណងអ្នកប្រើ។
3. ដំណើរការវែង: វគ្គវែងបែបនេះអាចអភិវឌ្ឍដោយបន្ថែមព័ត៌មានថ្មីៗ។ Agentic RAG អាចបន្តបញ្ចូលទិន្នន័យ និងបម្លែងយុទ្ធសាស្រ្តក្រោមការសិក្សាបន្ថែមអំពីបញ្ហា។

ការគ្រប់គ្រង ភាពថ្លៃថ្លា និងការជឿទុកចិត្ត

តាមពេលដែលប្រព័ន្ធទាំងនេះមានឯករាជ្យក្នុងការគិត ការគ្រប់គ្រង និងភាពថ្លៃថ្លាគឺសំខាន់៖

• ការបង្ហាញការគិតបានយល់ដឹង៖ ម៉ូដែលអាចផ្តល់ផ្លូវតាមដានសំណួរដែលវាហៅ ប្រភពដែលវាប្រើ និងជំហានគិតដល់ការសម្រេចចិត្ត។ ឧបករណ៍ដូចជា Azure AI Content Safety និង Azure AI Tracing / GenAIOps ជួយរក្សានូវភាពថ្លៃថ្លា និងកាត់បន្ថយហានិភ័យ។
• គ្រប់គ្រងបំណង់ និងការទាញយកតុល្យភាព៖ អ្នកអភិវឌ្ឍអាចកំណត់យុទ្ធសាស្រ្តទាញយកដើម្បីធានា ប្រភពទិន្នន័យមានតុល្យភាព និងតំណាងល្អ និងធ្វើការត្រួតពិនិត្យលទ្ធផលជាបន្តបន្ទាប់ ដើម្បីរកបំណង់ ឬលំនាំមិនត្រឹមត្រូវ ដែលប្រើម៉ូដែលផ្សេងៗសម្រាប់វិទ្យាសាស្ត្រទិន្នន័យជំរុញដោយ Azure Machine Learning។
• ត្រួតពិនិត្យដោយមនុស្ស និងការអនុវត្តតាមច្បាប់៖ សម្រាប់ភារកិច្ចដែលមានភាពអាណិតណាស់ ការត្រួតពិនិត្យដោយមនុស្សនៅតែមានសារៈសំខាន់។ Agentic RAG មិនជំនួសការវាយតម្លៃដោយមនុស្សនៅក្នុងការសម្រេចចិត្តថ្កល់ថ្យោះទេ ប៉ុន្តែបន្ថែមជម្រើសដែលបានពិនិត្យយ៉ាងណែន។

មានឧបករណ៍ដែលផ្ដល់កំណត់ត្រាសកម្មភាពបានច្បាស់លាស់ គឺសំខាន់ណាស់។ ប្រសិនបើគ្មានវា ការស្វែងរកកំហុសក្នុងដំណើរការជាច្រើនជំហានអាចក្លាយជាការលំបាកខ្លាំង។ សូមមើលឧទាហរណ៍ពី Literal AI (ក្រុមហ៊ុននៅពីក្រោយ Chainlit) សម្រាប់ដំណើរការ Agent៖

សង្ខេប

Agentic RAG ជាការវិវឌ្ឍធម្មជាតិមួយរបស់ប្រព័ន្ធ AI ក្នុងការដោះស្រាយបេសកកម្មស្មុគស្មាញដែលតម្រូវការពត៌មានច្រើន។ ដោយពង្រីករបៀបទំនាក់ទំនងជាសង្វៀន ជ្រើសឧបករណ៍ដោយស្វ័យប្រវត្តិ ហើយកែសំណួរអោយត្រឹមត្រូវរហូតទទួលបានលទ្ធផលគុណភាពខ្ពស់ ប្រព័ន្ធនេះឆ្លងកាត់ការទាំងសន្ធិសន្ធាញ់នៃពាក្យបញ្ចូលរៀងៗខ្លួនទៅជាម៉ាស៊ីនសម្រេចចិត្តដែលមានសមត្ថភាពឆ្លើយតបឱ្យត្រឹមត្រូវ នៅក្នុងបរិបទតាមប្រភេទ។ ទោះវាទំនងភ្ជាប់ទៅនឹងស្ថាបត្យកម្ម និងគោលការណ៍សីលធម៌ដែលបានកំណត់ដោយមនុស្ស តែសមត្ថភាព agentic នេះអាចជួយបង្កើតអន្តរជាតិកម្ម AI ដែលសម្បូរបែប និងប្រសើរឡើងសម្រាប់សហគ្រាសនិងអ្នកប្រើប្រាស់ចុងក្រោយ។

តើអ្នកមានសំនួរបន្ថែមអំពី Agentic RAG?

ចូលរួមក្នុង Microsoft Foundry Discord ដើម្បីជួបជាមួយអ្នករៀនផ្សេងទៀត ចូលរួមវគ្គមេរៀន និងសួរសំណួរអំពី AI Agents របស់អ្នក។

ធនធានបន្ថែម

• អនុវត្តការផលិតជាមួយ Retrieval Augmented Generation (RAG) ជាមួយ Azure OpenAI Service: រៀនរបៀបប្រើទិន្នន័យផ្ទាល់ខ្លួនជាមួយ Azure OpenAI Service។ ម៉ូឌុល Microsoft Learn នេះផ្ដល់មគ្គុទេសក៍ទូលំទូលាយអំពីការអនុវត្ត RAG
• ការវាយតម្លៃកម្មវិធី AI ផលិតជាមួយ Microsoft Foundry: អត្ថបទនេះគ្របដណ្តប់ពីការវាយតម្លៃ និងការប្រៀបធៀបម៉ូដែលលើសំណុំទិន្នន័យសាធារណៈ រួមទាំងកម្មវិធី Agentic AI និងរចនាសម្ព័ន្ធ RAG
• Agentic RAG ជាអ្វី | Weaviate

• Agentic RAG: គ្រប់គ្រងជាសព្ទមួយសម្រាប់ការផលិតជាមួយ Agent-Based Retrieval Augmented Generation – ព័ត៌មានពី generation RAG

• Agentic RAG: បង្កើនសន្ទស្សន៍ RAG របស់អ្នកឲ្យមានភាពរហ័សជាមួយការកែប្រែសំណួរ និងស្វ័យសំណួរ! សៀវភៅចម្រៀង AI ម៉េចដោយ Hugging Face ដែលមានប្រភពបើកចំហ
• បន្ថែមស្រទាប់ Agentic ទៅ RAG
• អនាគតនៃជំនួយឺ ្ សំណុំចំណេះដឹង៖ Jerry Liu
• របៀបកសាងប្រព័ន្ធ Agentic RAG
• ប្រើប្រាស់ Microsoft Foundry Agent Service ដើម្បីពង្រីកភ្នាក់ងាររបស់ AI របស់អ្នក

ក្រដាសសិក្សាផ្លូវចិន្ដា

• 2303.17651 Self-Refine: ការបញ្ច្រាសលំបាកជាច្រើនជាមួយការផ្ដល់មតិស្វ័យ
• 2303.11366 Reflexion: ភ្នាក់ងារភាសាមួយជាមួយការរៀនជាមាត់ដោយមាត់
• 2305.11738 CRITIC: ម៉ូដែលភាសាធំៗអាចកែលម្អខ្លួនឯងជាមួយការវាយតម្លៃរួមមានឧបករណ៍
• 2501.09136 ការបង្កើតគំរូ Agentic Retrieval-Augmented: ការស្ទង់មតិលើ Agentic RAG

ពិនិត្យសាកល្បង Agent នេះ (ជាជម្រើស)

បន្ទាប់ពីអ្នកបានរៀនដាក់បញ្ចូលភ្នាក់ងារនៅ មេរៀនទី 16, អ្នកអាចធ្វើការសាកល្បង Agent TravelRAGAgent នៃមេរៀននេះ ដើម្បីពិនិត្យមើលថាចម្លើយរបស់វាអាចនៅលើផ្ទៃចំណេះដឹងបានជាក់លាក់ ដោយប្រើ tests/lesson-05-smoke-tests.json។ មើល tests/README.md សម្រាប់របៀបរត់វា។

មេរៀនមុន

គំរូកំណត់រចនារចនាការប្រើឧបករណ៍

មេរៀនបន្ទាប់

ការកសាងភ្នាក់ងារដែលអាចទុកចិត្តបាន AI

---

ការបដិសេធ: ឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI Co-op Translator។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។

This site is open source. Improve this page.