ai-agents-for-beginners

(या धड्याचा व्हिडिओ पाहण्यासाठी वरिल प्रतिमेवर क्लिक करा)

Agentic RAG

हा धडा Agentic Retrieval-Augmented Generation (Agentic RAG) यावर एक व्यापक आढावा प्रदान करतो, जो एक उदयोन्मुख AI पॅराडाइम आहे जिथे मोठ्या भाषा मॉडेल्स (LLMs) स्वतःहून पुढील पावले नियोजित करतात आणि बाह्य स्रोतांकडून माहिती घेतात. स्थिर retrieval-then-read पॅटर्नच्या विपरीत, Agentic RAG मध्ये LLM ची पुनरावृत्ती करणे, टूल किंवा फंक्शन कॉल्स आणि संरचित आउटपुट्सचा समावेश असतो. प्रणाली निकालांचे मूल्यांकन करते, क्वेरीज सुधारित करते, आवश्यक असल्यास अतिरिक्त टूल्स वापरते आणि तोपर्यंत ही प्रक्रिया सुरू ठेवते जोपर्यंत समाधानकारक उत्तर मिळत नाही.

परिचय

या धड्यात आपण शिकून घेणार आहोत

• Agentic RAG समजून घेणे: AI मध्ये एक उदयोन्मुख पॅराडाइम जिथे मोठ्या भाषा मॉडेल्स (LLMs) स्वतःहून पुढील पावले नियोजित करतात आणि बाह्य डेटा स्रोतांकडून माहिती घेतात.
• पुनरावृत्ती करणाऱ्या मेकर-चेकर शैलीची समज: LLM ला पुनरावृत्ती कॉल्स, टूल किंवा फंक्शन कॉल्स आणि संरचित आउटपुट्स यांचा एक लूप समजून घेणे, ज्याचा उद्देश अचूकता सुधारण्याचा आणि चुकीच्या क्वेरीज हाताळण्याचा आहे.
• व्यावहारिक वापराचे अनुकरण करा: जिथे Agentic RAG चांगले काम करते अशा परिस्थितींची ओळख करणे, जसे की अचूकता-प्रथम वातावरण, गुंतागुंतीचे डेटाबेस संवाद आणि विस्तारित वर्कफ्लोज.

शिकण्याचे उद्दिष्टे

हा धडा पूर्ण केल्यानंतर, आपण हे करू शकता/समजू शकता:

• Agentic RAG समजून घेणे: AI मध्ये उदयोन्मुख पॅराडाइम जिथे मोठे भाषा मॉडेल्स (LLMs) स्वतःहून पुढील पावले नियोजित करतात आणि बाह्य डेटा स्रोतांकडून माहिती घेतात.
• पुनरावृत्ती करणाऱ्या मेकर-चेकर शैली समजून घेणे: LLM ला पुनरावृत्ती कॉल्स, टूल किंवा फंक्शन कॉल्स आणि संरचित आउटपुट्स यांचा लूप समजून घेणे, ज्याचा उद्देश अचूकता सुधारण्यासाठी आणि चुकीच्या क्वेरीज हाताळण्यासाठी आहे.
• तर्कशक्ती प्रक्रिया स्वतःकडे घेणे: प्रणाली कशी स्वतःच्या तर्कशक्ती प्रक्रियेची मालकी घेते याची समज, ज्यामध्ये पूर्वनिर्धारित मार्गांवर अवलंबून न राहता समस्येचा सामना करण्यासाठी निर्णय घेणे समाविष्ट आहे.
• वर्कफ्लो: एक एजंटिक मॉडेल कशाप्रकारे स्वतंत्रपणे मार्केट ट्रेंड रिपोर्ट्स मिळवते, स्पर्धक डेटा ओळखते, अंतर्गत विक्री मेट्रिक्स संबंधित करते, निष्कर्ष एकत्र करते आणि धोरणाचे मूल्यांकन करते याची समज.
• पुनरावृत्ती लूप्स, टूल समाकलन आणि मेमरी: प्रणाली एका लूप्ड इंटरअॅक्शन पॅटर्नवर अवलंबून आहे, ज्याने स्टेट व मेमरी पायऱ्यांमध्ये राखली जाते जेणेकरून पुनरावृत्ती लूप्स टाळता येतात आणि निर्णय अधिक सुज्ञतेने घेतले जातात.
• अपयशाचे प्रकार हाताळणे आणि स्वतः दुरुस्ती: प्रणालीच्या मजबूत स्व-संशोधन यंत्रणा, ज्यात पुनरावृत्ती करणे आणि पुन्हा चौकशी करणे, डायग्नोस्टिक टूल्स वापरणे आणि मानवी देखरेखीवर अवलंबून राहणे याचा समावेश आहे.
• एजेंसीची मर्यादा: Agentic RAG ची मर्यादा समजून घेणे, ज्यात डोमेन-विशिष्ट स्वायत्तता, पायाभूत सुविधांवरील अवलंबित्व आणि गारديरेल्सचा आदर यांचा समावेश आहे.
• व्यावहारिक वापर आणि मूल्य: जिथे Agentic RAG चांगले काम करते अशा परिस्थिती ओळखणे, जसे की अचूकता-प्रथम वातावरण, गुंतागुंतीचे डेटाबेस संवाद आणि विस्तारित वर्कफ्लोज.
• शासन, पारदर्शकता आणि विश्वास: शासन व पारदर्शकतेचे महत्त्व ओळखणे, ज्यामध्ये स्पष्टीकरणात्मक तर्क, पूर्वग्रह नियंत्रण, आणि मानवी देखरेख यांचा समावेश आहे.

Agentic RAG म्हणजे काय?

Agentic Retrieval-Augmented Generation (Agentic RAG) हा एक उदयोन्मुख AI पॅराडाइम आहे जिथे मोठ्या भाषा मॉडेल्स (LLMs) स्वतःहून पुढील पावले नियोजित करतात आणि बाह्य स्रोतांकडून माहिती घेतात. स्थिर retrieval-then-read पॅटर्नच्या विपरीत, Agentic RAG मध्ये LLM ला पुनरावृत्ती कॉल्स, टूल किंवा फंक्शन कॉल्स आणि संरचित आउटपुट्सचा समावेश असतो. प्रणाली निकालांचे मूल्यांकन करते, क्वेरीज सुधारते, आवश्यक असल्यास अतिरिक्त टूल्स वापरते आणि तोपर्यंत ही प्रक्रिया सुरू ठेवते जोपर्यंत समाधानकारक उत्तर मिळत नाही. ही पुनरावृत्ती “मेकर-चेकर” शैली अचूकता सुधारते, चुकीच्या क्वेरीज हाताळते, आणि उच्च-गुणवत्तेचे निकाल सुनिश्चित करते.

प्रणाली आपल्या तर्कशक्ती प्रक्रियेची मालक बनते, अपयशी झालेल्या क्वेरीज पुन्हा लिहिते, वेगवेगळ्या retrieval पद्धती निवडते आणि अनेक टूल्ससह समाकलित करते — जसे की Azure AI Search मधील व्हेक्टर शोध, SQL डेटाबेस किंवा सानुकूल API — उत्तर अंतिम करण्यापूर्वी. एजंटिक प्रणालीची वेगळी वैशिष्ट्य म्हणजे ती आपली तर्कशक्ती प्रक्रिया स्वतःहून ठरवू शकते. पारंपरिक RAG अंमलबजावणी पूर्वनिर्धारित मार्गांवर अवलंबून असतात, पण एजंटिक प्रणाली माहितीच्या गुणवत्तेनुसार पावलांची श्रेणी स्वतः ठरवते.

Agentic Retrieval-Augmented Generation (Agentic RAG) ची व्याख्या

Agentic Retrieval-Augmented Generation (Agentic RAG) हा AI विकासातील एक उदयोन्मुख पॅराडाइम आहे जिथे LLMs केवळ बाह्य डेटा स्रोतांकडून माहिती घेत नाहीत, तर स्वतःहून पुढील पावले देखील नियोजित करतात. स्थिर retrieval-then-read पॅटर्न किंवा काळजीपूर्वक स्क्रिप्ट केलेल्या प्रॉम्प्ट सिक्वेन्सच्या विपरीत, Agentic RAG मध्ये LLM ला पुनरावृत्ती कॉल्स, टूल किंवा फंक्शन कॉल्स आणि संरचित आउटपुट्सचा लूप असतो. प्रत्येक टप्प्यावर, प्रणाली मिळालेल्या निकालांचे मूल्यांकन करते, क्वेरीज सुधारायच्या की नाही ठरवते, आवश्यक असल्यास अतिरिक्त टूल्स वापरते, आणि तोपर्यंत ही प्रक्रिया सुरू ठेवते जोपर्यंत समाधानकारक उत्तर प्राप्त होत नाही.

ही पुनरावृत्ती “मेकर-चेकर” शैली ऑपरेशन अचूकता सुधारण्याच्या उद्देशाने डिझाइन केलेली आहे, चुकीच्या क्वेरीजना हाताळण्यासाठी (उदाहरणार्थ NL2SQL सारख्या संरचित डेटाबेससाठी) आणि समतोल, उच्च-गुणवत्तेचे निकाल सुनिश्चित करण्यासाठी. फक्त काळजीपूर्वक डिझाइन केलेल्या प्रॉम्प्ट चेनवर अवलंबून राहण्याऐवजी, प्रणाली स्वतःहून आपल्या तर्कशक्ती प्रक्रियेची मालकी घेतो. ती अपयशी झालेल्या क्वेरीज पुन्हा लिहू शकते, वेगवेगळ्या retrieval पद्धतीची निवड करू शकते, आणि अनेक टूल्स समाकलित करू शकते — जसे की Azure AI Search मधील व्हेक्टर शोध, SQL डेटाबेस, किंवा सानुकूल API — उत्तर अंतिम करण्याआधी. त्यामुळे अत्यंत जटिल ऑर्केस्ट्रेशन फ्रेमवर्कची गरज नाहीशी होते. याऐवजी, “LLM कॉल → टूल वापर → LLM कॉल → …” या तुलनेने साध्या लूपद्वारे अत्याधुनिक आणि नीटनेटके आउटपुट्स मिळू शकतात.

तर्कशक्ती प्रक्रियेची मालकी घेणे

“एजंटिक” प्रणालीसाठी वेगळं वैशिष्ट्य म्हणजे ती आपली तर्कशक्ती प्रक्रिया स्वतःहून मालकी घेते. पारंपरिक RAG अंमलबजावण्या अनेकदा मानवी वापरकर्त्याने पूर्वनिर्धारित मार्गावर अवलंबून असतात: एक विचारशृंखला जी काय कधी retrieve करायचे ते ठरवते. पण जेव्हा प्रणाली खरोखर एजंटिक असते, तेव्हा ती अंतर्गतपणे समस्येचा कसा सामना करावा हे ठरवते. ती फक्त स्क्रिप्ट चालवत नसते; ती माहितीच्या गुणवत्तेनुसार स्वतः अनुकूली पावले ठरवते. उदाहरणार्थ, जर तिला उत्पादन लॉंच धोरण तयार करायचे असले, तर ती संपूर्ण संशोधन आणि निर्णय प्रक्रिया स्पष्ट करणारे प्रॉम्प्टवर अवलंबून राहत नाही. त्याऐवजी, एजंटिक मॉडेल स्वतंत्रपणे अशी ठरवते:

1. Bing वेब ग्राउंडिंग वापरून चालू मार्केट ट्रेंड रिपोर्ट्स शोधणे
2. Azure AI Search वापरून संबंधित स्पर्धक डेटा ओळखणे.
3. Azure SQL डेटाबेस वापरून ऐतिहासिक अंतर्गत विक्री मेट्रिक्स संबंधित करणे.
4. Azure OpenAI Service द्वारे समन्वित धोरणात निष्कर्षांची सिंथेसिस करणे.
5. धोरणातील त्रुटी किंवा विसंगतींसाठी मूल्यांकन करणे, आवश्यक असल्यास आणखी एक retrieval चक्र सुरू करणे. हे सर्व टप्पे—क्वेरीज सुधारणे, स्रोत निवडणे, उत्तरास “आनंदी” होईपर्यंत पुनरावृत्ती करणे—मॉडेलद्वारे ठरवले जातात, ना की मनुष्याने पूर्वतयारी केलेले असते.

पुनरावृत्ती लूप्स, टूलसचे समाकलन, आणि मेमरी

एजंटिक प्रणाली लूप्ड इंटरअॅक्शन पॅटर्नवर अवलंबून आहे:

• प्राथमिक कॉल: वापरकर्त्याचा उद्देश (उदा. वापरकर्ता प्रॉम्प्ट) LLM ला दिला जातो.
• टूल कॉल: जर मॉडेलने माहिती पूर्ण नसल्याचे किंवा अस्पष्ट सूचना आढळल्यास, तो संदर्भ मिळवण्यासाठी टूल किंवा retrieval पद्धती निवडतो—जसे की व्हेक्टर डेटाबेस क्वेरी (उदा. Azure AI Search Hybrid search खाजगी डेटावर) किंवा संरचित SQL कॉल.
• मूल्यमापन व सुधारणा: परत आलेल्या डेटाचा आढावा घेतल्यानंतर, मॉडेल ठरवते की माहिती पुरेशी आहे का. नसल्यास, क्वेरी सुधारित करतो, वेगळा टूल वापरतो, किंवा दृष्टिकोन बदलतो.
• समाधान मिळेपर्यंत पुनरावृत्ती: हा चक्र सुरू राहतो जोपर्यंत मॉडेलला पुरेशी स्पष्टता व पुरावे मिळतात व तो अंतिम, सूचित उत्तर देऊ शकतो.
• मेमरी व स्टेट: प्रणाली पायऱ्यांदरम्यान स्टेट व मेमरी कायम ठेवते, ज्यामुळे ती आधी केलेले प्रयत्न व निकाल लक्षात ठेवू शकते, पुनरावृत्ती टाळते आणि अधिक सुज्ञ निर्णय घेते.

कालांतराने, यामुळे विकसित होत जाणाऱ्या समजुतीची जाणीव तयार होते, ज्यामुळे मॉडेल मानवी हस्तक्षेपाशिवाय किंवा प्रॉम्प्ट पुन्हा बनवण्याशिवाय गुंतागुंतीचे, बहु-टप्पा कार्य हाताळू शकते.

अपयशांचे स्वरूप हाताळणे आणि स्वतः दुरुस्ती

Agentic RAG ची स्वायत्तता मजबूत स्व-संशोधन यंत्रणा देखील समाविष्ट करते. जेव्हा प्रणाली गैरसंबंधित दस्तऐवज प्राप्त करते किंवा चुकीच्या क्वेरीज येतात, तेव्हा ती:

• पुनरावृत्ती व पुन्हा चौकशी: कमी-मूल्य प्रतिसाद देण्याऐवजी, मॉडेल नवीन शोध धोरणे वापरतो, डेटाबेस क्वेरीज पुन्हा लिहितो किंवा पर्यायी डेटासेट्स बघतो.
• डायग्नोस्टिक टूल्सचा वापर: सिस्टम अतिरिक्त फंक्शन्स सक्रिय करू शकतो जे तर्कशक्ती चरणे डीबग करण्यास किंवा मिळालेल्या डेटाची अचूकता पुष्टी करण्यास मदत करतात. Azure AI Tracing सारखे टूल्स मजबूत निरीक्षण व मॉनिटरिंग सक्षम करतात.
• मानवी देखरेखीवर अवलंबून राहणे: उच्च-धोक्याच्या किंवा वारंवार अपयशी होणाऱ्या परिस्थितीसाठी, मॉडेल अनिश्चिततेची नोंद करतो आणि मानवी मार्गदर्शन विनंती करतो. मानवाने सुधारात्मक अभिप्राय दिल्यानंतर, मॉडेल पुढे जाऊन ते शिकतो.

ही पुनरावृत्ती व गतिशील पद्धत मॉडेलला सलग सुधारण्यासाठी अनुमती देते, यामुळे ती केवळ एकदाच चालणारी प्रणाली नसून दिलेल्या सत्रात आपल्या चुका सुधारत जाणारी प्रणाली बनते.

एजन्सीची मर्यादा

कार्यात स्वायत्त असली तरी, Agentic RAG कृत्रिम सामान्य बुद्धिमत्तेशी तुलनीय नाही. त्याच्या “एजंटिक” क्षमता मानवी विकासकर्त्यांनी दिलेल्या टूल्स, डेटा स्रोत आणि धोरणांपुरत्या मर्यादित आहेत. ती स्वतःची टूल्स शोधू शकत नाही किंवा सेट केलेल्या डोमेन मर्यादेबाहेर जाऊ शकत नाही. परंतु, ती हाती असलेल्या संसाधनांचे गतिशील समन्वय करण्यात उत्कृष्ट कार्य करते. प्रगत AI स्वरूपांपासून महत्त्वाचे फरक आहेत:

1. डोमेन-विशिष्ट स्वायत्तता: Agentic RAG प्रणाली वापरकर्त्याने ठरवलेल्या ध्येयांवर लक्ष केंद्रित करतात, जसे क्वेरी पुनर्लेखन किंवा टूल निवड आकर्षक निकालांसाठी वापरतात.
2. इन्फ्रास्ट्रक्चर-आधारित: प्रणालीच्या क्षमता विकासकर्त्यांनी समाकलित केलेल्या टूल्स व डेटावर अवलंबून असतात. मानव हस्तक्षेपाशिवाय ती या सीमांतिलाई हरकत करू शकत नाही.
3. गार्डरेल्सचा आदर: नैतिक मार्गदर्शक तत्त्वे, अनुपालन नियम, आणि व्यावसायिक धोरणे फार महत्त्वाची राहतात. एजंटची स्वातंत्र्य नेहमी सुरक्षा उपाय आणि देखरेखीच्या यंत्रणांनी मर्यादित केली जाते (आशा आहे?).

व्यावहारिक वापर प्रकरणे आणि मूल्य

Agentic RAG त्या परिस्थितींमध्ये उजळते ज्यामध्ये पुनरावृत्ती सुधारणा आणि अचूकतेची आवश्यकता असते:

1. अचूकता-प्रथम वातावरण: अनुपालन तपासणी, नियमक विश्लेषण किंवा कायदेशीर संशोधनात, एजंटिक मॉडेल वारंवार तथ्यांची पडताळणी करू शकते, अनेक स्रोतांचा सल्ला घेऊ शकते आणि क्वेरीज पुन्हा लिहून संपूर्णपणे तपासलेले उत्तर तयार करू शकते.
2. गुंतागुंतीचे डेटाबेस संवाद: जेथे क्वेरीज नेहमीच अपयशी होतात किंवा सुधारणा आवश्यक असते, प्रणाली Azure SQL किंवा Microsoft Fabric OneLake वापरून स्वायत्तपणे क्वेरीज सुधारू शकते, जेणे करून अंतिम retrieval वापरकर्त्याच्या उद्देशाशी अनुरूप असतो.
3. विस्तारित वर्कफ्लोज: दीर्घकाळ चालणाऱ्या सेशन्समध्ये नवीन माहिती येऊ शकते. Agentic RAG सतत नवीन डेटा समाकलित करू शकते, आणि अधिक शिकत समस्या क्षेत्राबद्दल धोरणे परिवर्तन करू शकते.

शासन, पारदर्शकता, आणि विश्वास

जेव्हा हे सिस्टम अधिक स्वायत्तपणे तर्क करतात, तेव्हा शासन आणि पारदर्शकता फार महत्त्वाची असते:

• स्पष्टीकरणात्मक तर्क: मॉडेल केलेल्या क्वेरीजची, सल्ला दिलेल्या स्रोतांची आणि त्याने केलेल्या तर्कशक्ती प्रक्रियेची तपास नोंद पुरवू शकते. Azure AI Content Safety आणि Azure AI Tracing / GenAIOps सारखे टूल्स पारदर्शकता राखण्यासाठी आणि जोखमी कमी करण्यासाठी मदत करतात.
• पूर्वग्रह नियंत्रण आणि संतुलित retrieval: विकासकर्ते retrieval धोरणे ट्यून करू शकतात ज्यामुळे संतुलित, प्रतिनिधित्व करणाऱ्या डेटा स्रोतांचा समावेश होईल, व नियमितपणे उत्पादनांवर ऑडिट करून Azure Machine Learning वापरून पूर्वग्रह अथवा विकृती तपासतात.
• मानवी देखरेख आणि अनुपालन: संवेदनशील कार्यांसाठी मानवी पुनरावलोकन आवश्यकच आहे. Agentic RAG उच्च-धोक्याच्या निर्णयांमध्ये मानवी न्यायकारांकडे जागा नाही ― ती अधिक तपासलेले पर्याय पुरवून त्यांना समर्थन देते.

कृतींचा स्पष्ट इतिहास पुरवणारी टूल्स असणे अपरिहार्य आहे. त्यांशिवाय, बहु-टप्पा प्रक्रियेचे डीबगिंग फार अवघड होते. Literal AI कडून (Chainlit मागील कंपनी) Agent रनचे खालील उदाहरण पहा:

निष्कर्ष

Agentic RAG म्हणजे AI प्रणाली कशा प्रकारे गुंतागुंतीच्या, डेटा-घेवूण कार्ये हाताळतात यामध्ये नैसर्गिक प्रगती आहे. पुनरावृत्ती इंटरअॅक्शन पॅटर्न स्वीकारून, स्वायत्त टूल निवड करून, आणि क्वेरीज सातत्याने सुधारून उच्च-गुणवत्ता परिणाम साध्य करून, ही प्रणाली स्थिर प्रॉम्प्ट फॉलोइंगच्या पलीकडे जाऊन अधिक अनुकूली, संदर्भ-जाणणारी निर्णय घेणारी बनते. मानवी-निर्धारित पायाभूत सुविधा आणि नैतिक मार्गदर्शक तत्त्वांपर्यंत मर्यादित असली तरी, या एजंटिक क्षमता एंटरप्राइझ व अंतिम वापरकर्त्यांसाठी समृद्ध, अधिक गतिशील, आणि शेवटी अधिक उपयुक्त AI संवाद सक्षम करतात.

Agentic RAG विषयी अधिक प्रश्न आहेत का?

इतर शिकणाऱ्यांशी भेटण्यासाठी, ऑफिस आवर्समध्ये सहभागी होण्यासाठी आणि तुमचे AI एजंट्स संबंधी प्रश्नांची उत्तरे मिळवण्यासाठी Microsoft Foundry Discord मध्ये सहभागी व्हा.

अतिरिक्त संसाधने

• Azure OpenAI सेवा वापरून Retrieval Augmented Generation (RAG) कसे अंमलात आणायचे: Azure OpenAI सेवा वापरून स्वतःचा डेटा कसा वापरायचा हे शिका. हा Microsoft Learn मॉड्यूल RAG अंमलबजावणीसाठी व्यापक मार्गदर्शक प्रदान करतो
• Microsoft Foundry सह Generative AI अनुप्रयोगांचे मूल्यांकन: या लेखात सार्वजनिकपणे उपलब्ध डेटासेट्सवर मुळे मॉडेलांचे मूल्यांकन आणि तुलना समाविष्ट आहे, ज्यात Agentic AI अनुप्रयोग आणि RAG आर्किटेक्चर आहेत
• Agentic RAG म्हणजे काय | Weaviate

• Agentic RAG: एजंट-आधारित Retrieval Augmented Generation वर एक संपूर्ण मार्गदर्शक – generation RAG मधील बातम्या

• एजेंटिक RAG: क्वेरी पुनरावृत्ती आणि स्व-क्वेरीसह आपला RAG टर्बोचार्ज करा! Hugging Face Open-Source AI Cookbook
• RAG मध्ये एजेंटिक लेयर्स जोडणे
• ज्ञान सहाय्यकांचे भविष्य: जेरी लियू
• एजेंटिक RAG सिस्टम्स कसे तयार करायचे
• Microsoft Foundry Agent Service वापरून आपले AI एजंट स्केल करा

अकादमिक पेपर्स

• 2303.17651 सेल्फ-रिफाइन: स्व-मागणीनुसार पुनरावृत्ती
• 2303.11366 रिफ्लेक्शन: भाषा एजंट्ससह मौखिक पुनर्बळन शिक्षण
• 2305.11738 CRITIC: मोठ्या भाषा मॉडेल्स टूल-इंटरॅक्टिव क्रिटीकिंगसह स्वत: सुधारू शकतात
• 2501.09136 एजेंटिक पुनर्प्राप्ती-संवर्धित निर्मिती: एजेंटिक RAG वर एक सर्वेक्षण

हा एजंट स्मोक-टेस्ट करा (ऐच्छिक)

Lesson 16 मध्ये एजंट्स कसे तैनात करायचे हे शिकल्यानंतर, आपण या धड्याचा TravelRAGAgent स्मोक-टेस्ट करू शकता — त्याचे उत्तर ज्ञान आधारावर आधारित राहतात का ते तपासण्यासाठी — tests/lesson-05-smoke-tests.json सह. ते कसे चालवायचे ते पाहण्यासाठी tests/README.md पहा.

मागील धडा

उपकरण वापराचे डिझाइन पॅटर्न

पुढील धडा

विश्वसनीय AI एजंट तयार करणे

---

अस्वीकरण: हा दस्तऐवज AI भाषांतर सेवा Co-op Translator चा वापर करून अनुवादित केला आहे. जरी आम्ही अचूकतेसाठी प्रयत्न करतो, तरी कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेची कमतरता असू शकते. मूळ दस्तऐवज त्याच्या मूळ भाषेत अधिकृत स्रोत मानला पाहिजे. महत्त्वाची माहिती असल्यास, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थलावणीसाठी आम्ही जबाबदार नाही.

This site is open source. Improve this page.