ai-agents-for-beginners

(ဒီသင်ခန်းစာရဲ့ ဗီဒီယိုကိုကြည့်ရန် အပေါ်ကပုံကို နှိပ်ပါ)

Agentic RAG

ဒီသင်ခန်းစာက Agentic Retrieval-Augmented Generation (Agentic RAG) ဆိုတဲ့ စွမ်းဆောင်ရည်မြင့် AI နည်းပညာအသစ်အကြောင်း တစ်ခုချင်းစီအစုံဝင်ရှင်းပြပေးမှာ ဖြစ်ပြီး၊ အကြီးစားဘာသာစကားမော်ဒယ်တွေ (LLMs) က သူတို့ရဲ့ နောက်ထပ်အဆင့်တွေကို ကိုယ့်ဖက်တကာ စီစဉ်ပြီး ပြင်ပအရင်းအမြစ်တွေထဲက သတင်းအချက်အလက်တွေနဲ့ ဆွဲယူအသုံးပြုနေတဲ့ နည်းစနစ်တစ်ခုဖြစ်ပါတယ်။ ပြင်ပမှ ဆွဲယူပြီး ဖတ်ရှုသည့် အကြောင်းအရာတကျမဟုတ်ပဲ၊ Agentic RAG က LLM ကို iteration လုပ်တယ်၊ tool သို့ function ခေါ်တယ်၊ output ကို ဖွဲ့စည်းတယ် စတဲ့ လုပ်ထုံးလုပ်နည်းတွေအကြား နူးနှိုင်းပြီး လုပ်ဆောင်ပါတယ်။ စနစ်က ရလဒ်တွေကို ချိန်ညှိ၊ ရှာဖွေမေးခွန်းတွေကို ပြန်လည်တိုးတက်စေ၊ နောက်ထပ် tool အသုံးပြုခိုင်း၊ ထိုလုပ်ငန်းစဉ်ကို စိတ်တိုင်းကျဖြေရှင်းချက်တစ်ခု ရောက်ရှိသည့်အထိ ဆက်လက်လုပ်ဆောင်ပါတယ်။

နိဒါန်း

ဒီသင်ခန်းစာက ဖေါ်ပြမှာတွေက

• Agentic RAG ကိုနားလည်ရန်: အကြီးစားဘာသာစကားမော်ဒယ်တွေ (LLMs) က ကိုယ်တိုင် စီစဉ်ပြီး ပြင်ပဒေတာရင်းမြစ်တွေထဲက သတင်းအချက်အလက်တွေ ရယူနေတဲ့ AI နယ်ပယ်အသစ်အကြောင်း လေ့လာသည်။
• Iterationလုပ်သော Maker-Checker ပုံစံနားလည်ရန်: LLM ကို iteration လုပ်သည့်လှုပ်ရှားမှုများ၊ tool သို့ function ခေါ်ချက်များနှင့် ဖွဲ့စည်းထားသော output များပါဝင်သည့် loop ကိုနားလည်ရန်။
• လက်တွေ့အသုံးချမှုများ: Agentic RAG အသုံးပြုရန် သင့်တော်သော အခြေအနေများ၊ ဥပမာ- မှန်ကန်မှု အလေးပေးသောပတ်ဝန်းကျင်များ၊ သိမ်းဆည်းမှုတစ်ခုလုံးနှင့် ရှုပ်ထွေးသော ဒေတာဘေ့စ်စနစ်များ၊ နှင့် ကြာရှည်စွာ လုပ်ဆောင်ရသည့် စနစ်များ။

သင်ယူရမည့် ရည်မှန်းချက်များ

ဒီသင်ခန်းစာပြီးစီးလျှင်၊ သင်သည် အောက်ပါအချက်များကို သိရှိနားလည်ပါလိမ့်မည်-

• Agentic RAG ကိုနားလည်ခြင်း: အကြီးစားဘာသာစကားမော်ဒယ်များ (LLMs) က ကိုယ်တိုင် စီစဉ်ပြီး ပြင်ပဒေတာရင်းမြစ်များမှ သတင်းအချက်အလက်များ ရယူနေသော AI နည်းပညာအသစ်အကြောင်း သင်ယူပါ။
• Iteration Maker-Checker ပုံစံ: LLM ကို iteration calls လုပ်ခြင်း၊ tool သို့ function ခေါ်ခြင်း၊ output ဖွဲ့စည်းခြင်းတိုက်ဆိုင်မှုများဖြင့် မှန်ကန်မှုအပေါ် အာရုံစိုက်သည့် loop ကိုနားလည်ပါ။
• စဉ်းစားဆောင်ရွက်မှုကို ကိုယ်ပိုင်ပိုင်ဆိုင်ခြင်း: စနစ်၏ ဆက်လက် အတွေးအခေါ် လုပ်ငန်းစဉ်ကို ကိုယ်ပိုင်သိမ်းဆည်း၍ မူရင်းလမ်းကြောင်းများမလိုဘဲ ပြဿနာကို နည်းလမ်းသတ်မှတ်ခြင်း နားလည်ပါ။
• အလုပ်လုပ်ပုံစနစ်: Agentic model သည် စျေးကွက်အခြေအနေအစီရင်ခံစာ ရယူခြင်း၊ ယှဉ်ပြိုင်သူ ဒေတာသတင်းအချက်အလက် ရှာဖွေခြင်း၊ အတွင်းပိုင်းရောင်းအား အချက်အလက်များ နှိုင်းယှဉ်ခြင်း၊ ရလဒ်များကို ပေါင်းစပ် စီမံခန့်ခွဲခြင်း၊ မူဝါဒစနစ်ကို သုံးသပ်ခြင်းတို့ကို ကိုယ်တိုင်ဆုံးဖြတ်နိုင်မှုကို နားလည်ပါ။
• Iteration Loop များ၊ Tool ပေါင်းစပ်ခြင်းနှင့် မှတ်ဉာဏ်: စနစ်သည် looped interaction pattern ကို အခြေခံပြီး များစွာသော အဆင့်အတန်းများအပြင် မှတ်ဉာဏ်၊ အခြေအနေများကို သိမ်းဆည်းထားသည်ကို သင်ယူပါ။
• မအောင်မြင်မှုများ ကိုင်တွယ်ခြင်းနှင့် ကိုယ်တိုင်ပြင်ဆင်ခြင်း: Iteration နှင့် ပြန်လည်မေးခွန်းခေါ်ခြင်း၊ diagnostic tool များအသုံးပြုခြင်း၊ လူအတိုင်ပင်ခံ အောက်ခံခြင်း စသည်ဖြင့် စနစ်၏ ပြန်လည်ပြင်ဆင်ခြင်းစနစ်များကို စူးစမ်းလေ့လာပါ။
• Agentic အာဏာ အကန့်အသတ်များ: Agentic RAG ၏ ကန့်သတ်ချက်များ၊ domain ကန့်သတ်ချက်များ၊ အခြေခံအဆောက်အအုံ ဂရုစိုက်မှုနှင့် ချုပ်ငြိမ်းမှုများကို နားလည်ပါ။
• လက်တွေ့ အသုံးချမှု နေရာများ နှင့် တန်ဖိုးများ: မှန်ကန်မှုအလေးပေးသော ပတ်ဝန်းကျင်များ၊ ရှုပ်ထွေးသော ဒေတာဘေ့စ်လုပ်ငန်းများ၊ ကြာရှည်သော workflow များ၌ Agentic RAG လေ့လာပါ။
• ထိန်းချုပ်မှု၊ ထင်ရှားမြင်သာမှုနှင့် ယုံကြည်မှုများ: ရှင်းလင်းတော်မူသော စဉ်းစားမှု၊ ဘေးအန္တရာယ်ထိန်းချုပ်မှု၊ လူ့အောက်ခံမှုတို့၏ အရေးကြီးမှုကို နားလည်ပါ။

Agentic RAG ဆိုတာ ဘာလဲ?

Agentic Retrieval-Augmented Generation (Agentic RAG) ဆိုသည်မှာ အကြီးစားဘာသာစကားမော်ဒယ်များ (LLMs) က ကိုယ်တိုင် နောက်ထပ်အဆင့်တွေကို စီစဉ်ရုံတင်မက ပြင်ပအချက်အလက်များကို ဆွဲယူ အသုံးပြုလျက်ရှိသည့် AI နည်းပညာအသစ် ဖြစ်ပါတယ်။ ရိုးရိုး retrieval-ပုံစံတွေ ထက်ကွဲပြားပြီး LLM ကို iteration လုပ်၍ tool သို့ function ခေါ်ချက်များ နှင့် output ဖွဲ့စည်းမှုများကို ထည့်သွင်းစီမံလုပ်ဆောင်သည်။ စနစ်က ရလဒ်များကို သုံးသပ်၊ မေးခွန်းများကို ပြန်လည်တိုးတက်စေ၊ လိုအပ်ပါက နောက်ထပ် tool များ အသုံးပြု၍ ပြုလုပ်ကာ သင့်တော်သည်ထိ လျှောက်လွှာလုပ်ဆောင်တက်သည်။ ဒီ iteration ပြုလုပ်သော “maker-checker” ပုံစံသည် မှန်ကန်မှု တိုးတက်စေ၊ မမှန်ကန်သော query များကို ကိုင်တွယ်နိုင်ပြီး အရည်အသွေးမြင့် ရလဒ်များ သေချာမြှင့်တင်ပေးပါသည်။

စနစ်သည် ကိုယ်ပိုင်ဆင်ခြင်နိုင်မှုရှိပြီး မအောင်မြင်သော မေးခွန်းများ ပြန်ရေးသည်၊ retrieval နည်းလမ်းသစ်များရွေးချယ်သည်၊ Azure AI Search အတွင်းရှိ vector search, SQL database, တိကျစွာ ပုံပြင် API များကဲ့သို့ tool များစုပေါင်းအသုံးပြုသည်။ Agentic system ၏ ထူးခြားချက်မှာ ကိုယ်ပိုင်စဉ်းစားမှုကို ပိုင်ဆိုင်နေခြင်းဖြစ်ပါသည်။ ရိုးရာ RAG က ရှေးကတည်းကသတ်မှတ်ထားသော လမ်းကြောင်းများကိုသာ အားထား၍ ဆောင်ရွက်တတ်သော်လည်း၊ agentic system သည် ရရှိသော သတင်းအချက်အလက် အရည်အသွေးအပေါ် မူတည်၍ အဆင့်လိုက် အဆင့်အတိုင်း ကိုယ်တိုင်ဆုံးဖြတ်တတ်သည်။

Agentic Retrieval-Augmented Generation (Agentic RAG) ကို သတ်မှတ်ခြင်း

Agentic Retrieval-Augmented Generation (Agentic RAG) သည် AI တွင် လူ့အကူအညီမလိုဘဲ LLM များ ဓါတ်မှန်အချက်အလက်အရင်းအမြစ်များမှ ဆွဲယူသည့်အပြင် ကိုယ်တိုင် နောက်ထပ် လုပ်ဆောင်ချက်များကို စီမံခန့်ခွဲသည့် နည်းပညာအသစ် ဖြစ်သည်။ ရိုးရိုး retrieval-ပြီးဖတ်နည်း များသို့မဟုတ် စီစဉ်ထားသော prompt နမူနာများ မဟုတ်ဘဲ၊ Agentic RAG သည် iteration လုပ်သော loop အတွင်းရှိ LLM ခေါ်ဆောင်မှုများ၊ tool/function ခေါ်ဆောင်မှုများနှင့် ဖွဲ့စည်းထားသော output များ ပါဝင်သည်။ စနစ်သည် ရလဒ်များအား သုံးသပ်၊ query များပြောင်းလဲ၊ လိုအပ်ပါက နောက်ထပ် tool များ အသုံးပြုပြီး ပြဿနာဖြေရှင်းချက် သင့်တော်အောင် ဆက်လက်လုပ်ဆောင်သည်။

ဒီ iteration “maker-checker” ပုံစံသည် မှန်ကန်မှု တိုးမြှင့်ရန်၊ malformed query များ (ဥပမာ NL2SQL) ကို ကိုင်တွယ်ပြီး သော်လည်း အထူးဂရုစိုက်ရမည့် output များ ဖန်တီးရန် ရည်ရွယ်သည်။ လူ့ပညာရှင်များ ကြိုတင်ဉီးစွာ prompt နည်းလမ်းများ စီမံပြုပြင်ရာ မလိုဘဲ၊ စနစ်သည် ကိုယ်ပိုင် ဆင်ခြင်စရာများ စီမံနိုင်သည်။ ကိုယ်တိုင် မေးခွန်း မအောင်မြင်သောနေရာများ ပြန်ရေးနိုင်ပြီး retrieval နည်းလမ်းများ ချိန်ညှိနိုင်၊ Azure AI Search တွင် vector ရှာဖွေရေး၊ SQL database များ သို့မဟုတ် custom API များ ပေါင်းစပ်အသုံးပြုပြီး ဖြေရှင်းချက် ပြီးဆုံးသည်ခါစွာမှ ဖြေဆိုခြင်း ဖြစ်သည်။ ဒါကြောင့် စနစ်၏ ရိုးရှင်းသည့် 루프 “LLM call → tool use → LLM call → …” နည်းဖြင့် ကြီးမားသော Output သေချာမှု ရနိုင်သည်။

ကိုယ်ပိုင်စဉ်းစားမှု ပိုင်ဆိုင်ခြင်း

စနစ်တစ်ခု “agentic” ဖြစ်လာသည့် အထူးအားသာချက်မှာ ကိုယ့် စဉ်းစားမှု လုပ်ငန်းစဉ်ကို ကိုယ်ပိုင်ပိုင်ဆိုင်ခြင်း ဖြစ်သည်။ ရိုးရာ RAG များတွင် လူတွေက မော်ဒယ်အတွက် ရှာဖွေရမည့်အကြောင်းအရာ နှင့် အချိန်များ ဖြတ်သန်းရန် မူကြမ်းလမ်းကြောင်း တိတိကျကျ ဖန်တီးပေးနေသည်။ သို့သော် ကိုယ့်လက်ထဲကျသော agentic စနစ်သည် ဖြစ်ပေါ်လာသော ပြဿနာကို မော်ဒယ်အတွင်း ကိုယ်တိုင် လေ့လာပြီး ဆုံးဖြတ်နည်းကို ရွေးချယ်တတ်သည်။ ဒါဟာ စာတမ်းကို ထိုးထွင်းလိုက်နာခြင်းအစား အချက်အလက်အရည်အသွေးအခြေခံ၍ အဆင့်လိုက်ဆင့်လိုက် လုပ်ဆောင်ခြင်း ဖြစ်သည်။

ဥပမာ- ထုတ်ကုန် စတင်မိတ်ဆက် မူဝါဒ တစ်ခုရေးဆွဲရန် တာဝန်ပေးပါက၊ အလုပ်ဖြေရှင်း ပုံစံနောက်ခံ prompt တစ်ခုအပေါ် အားမထားဘဲ agentic model က ကိုယ်တိုင် ဆုံးဖြတ်ပါသည်-

1. Bing Web Grounding သုံး၍ လက်ရှိ စျေးကွက်ဖြစ်စဉ်စာရင်း ရယူခြင်း
2. Azure AI Search ဖြင့် ယှဉ်ပြိုင်ရောင်းအား အချက်အလက် ရှာဖွေခြင်း
3. Azure SQL Database ကနေ အတွင်းပိုင်းရောင်းအား သမိုင်းစာရင်း ကို နှိုင်းယှဉ်ခြင်း
4. Azure OpenAI Service မှတဆင့် ထုတ်လွှင့်မူဝါဒ များကို ပေါင်းစပ်ခြင်း
5. မူဝါဒကို မျပည့်စုံမှုများ ဖော်ထုတ် သုံးသပ်ပြီး လိုအပ်လျှင် ထပ်မံ ရှာဖွေရန် စီစဉ်ခြင်း

ဤ လုပ်ဆောင်ချက်များအားလုံး၊ မေးခွန်း ပြန်လည်ချိန်ညှိခြင်း၊ အချက်အလက်ရင်းမြစ်များ ရွေးချယ်ခြင်း၊ “ဖြေရှင်းချက် ဖြည့်စွက်၍ ကောင်းမွန်ပြီး” ဆိုသည်ထိ iteration ပြုလုပ်ခြင်းသည် ပုဂ္ဂိုလ်တစ်ဦးက မဟုတ်ဘဲ မော်ဒယ်ကိုယ်တိုင်ဆုံးဖြတ်ခြင်းဖြစ်သည်။

Iterative Loop များ၊ Tool ပေါင်းစပ်ခြင်းနှင့် မှတ်ဉာဏ်

Agentic စနစ်သည် looped လုပ်ငန်းစဉ်ပုံစံအပေါ် အခြေခံထားသည်-

• အစပေါ်ခေါ်ဆိုမှု: အသုံးပြုသူ ရည်မှန်းချက် (သို့မဟုတ် user prompt) ကို LLM ထံ ပေးပို့သည်။
• Tool ခေါ်ဆိုမှု: မော်ဒယ်သည် သတင်း အချက်အလက် ချို့တဲ့မှုရှိသည် သို့မဟုတ် ဖော်ပြချက် မရှင်းလင်းမှုရှိသည်ဟု တွေ့လျှင် tool သို့ retrieval နည်းလမ်းတစ်ခု ရွေးချယ်သည်- ဥပမာ Azure AI Search Hybrid private data ကို ရှာဖွေရေး vector database query သို့မဟုတ် structured SQL call တစ်ခု။
• သုံးသပ်ခြင်းနှင့် ပြင်ဆင်ခြင်း: ပြန်လိုက်သော ဒေတာကို သုံးသပ်ပြီး သတင်းအချက်အလက်လုံလောက်မှုရှိ/မရှိ ဆုံးဖြတ်သည်။ မလုံလောက်ပါက ပြန်လည်မေးမြန်းမှု ပြုလုပ်၊ tool အမျိုးအစား အသစ် စမ်းကြည့်၊ နည်းဗျူဟာ အခြားပြောင်းလဲစေသည်။
• ဖြေရှင်းချက် ကြာရှည်ထိမ်းသိမ်းမှု: ပြဿနာကို ဖြေရှင်းရန် သေချာစွာ ရှင်းလင်းမှု ရှိသည်ထိ ဒီပတ်လည် လုပ်ဆောင်မှုကို ဆက်လက်ပြုလုပ်သည်။
• မှတ်ဉာဏ်နှင့် အခြေအနေ စောင့်ရှောက်မှု: စ system ၏ အခြေအနေ နှင့် မှတ်ဉာဏ်တို့ကို အဆင့်ဆင့် စောင့်ရှောက်ခြင်းဖြင့် မြဲမြံစွာ မတူညီသော iteration များမှတဆင့် သတင်းအချက်အလက်များ ရရှိ အောင် ကူညီသည်။

အချိန်အဆက်ဆက်သည် နားလည်မှု တိုးတက်မှု ဖြစ်လာကာ များစွာသော အဆင့်အတန်းများပါရှိသည့် လုပ်ငန်းများကို လူ့အကူအညီမလိုဘဲ မျက်နှာဆိုင်နိုင်စေပါသည်။

မအောင်မြင်မှု ထိန်းသိမ်းခြင်းနှင့် ကိုယ်တိုင်ပြင်ဆင်ခြင်း

Agentic RAG ၏ ကိုယ်လက်လက်လှုပ်ရှားမှုသည် ကိုယ်တိုင်ပြင်ဆင်မှု စနစ်များ ပါဝင်သည်။ စနစ်သည် ၏လမ်းကြောင်းပေါ် အဆုံးသတ်သောနေရာများ၊ ဥပမာ မသက်ဆိုင်သောစာရွက်စာတမ်း ရွေးချယ်ခြင်း သို့မဟုတ် မမှန်ကန်သော မေးခွန်းများ ကျရောက်ပါက-

• Iterate နှင့် ပြန်မေးခြင်း: အနည်းငယ်တန်ဖိုးမရှိသော ဖြေရှင်းချက် မပြန်ဆပ်ဘဲ၊ ရှာဖွေမှုနည်းလမ်း အသစ်များ စမ်းသပ်၊ database query များ ပြန်ရေး၊ ဒေတာအစုအဝေး များကို အခြားရွေ့လျားစွာ လေ့လာသည်။
• Diagnostic Tool များ အသုံးပြုခြင်း: စနစ်သည် reasoning လုပ်ငန်းစဉ်ကို debug လုပ်ရန် သို့မဟုတ် ရလဒ်မှန်ကန်မှုကို သေချာစေရန် အပို function များ ခေါ်ယူနိုင်သည်။ Azure AI Tracing ကဲ့သို့သော tools များက စစ်ဆေးခြင်းနှင့် ကြည့်ရှုမူအတွက် အရေးပါသည်။
• လူအတိုင်ပင်ခံ ထောက်ခံမှု: အရေးကြီးသော ထိပ်တန်းခြေဆိုင်ရာများ သို့မဟုတ် ဆက်တိုက် မအောင်မြင်သော ကိစ္စများတွင် မော်ဒယ်သည် ရှုပ်ထွေးမှုကို အမှတ်ပြု၍ လူ့ညွှန်ကြားမှု တောင်းနိုင်သည်။ လူက အတည်ပြု တုံ့ပြန်ချက် ပေးပါက မော်ဒယ်သည် အနာဂတ်တွင် ထိုသင်ခန်းစာကို ထည့်သွင်းနိုင်သည်။

ဒီ iteration နှင့် dynamic ပုံစံကြောင့် မော်ဒယ်သည် ဆက်တိုက်တိုးတက်ပြီး တစ်ကြိမ်တည်း မဟုတ်ဘဲ ဆက်တိုက် သင်ယူတိုးတက်ရမည့် စနစ်ဖြစ်သည်။

Agentic အာဏာ အကန့်အသတ်များ

တစ်လုပ်ငန်းတည်းအတွင်း ကိုယ်တိုင် လွတ်လပ်မှု ရှိနိုင်ပေမယ့်၊ Agentic RAG သည် Artificial General Intelligence နှင့်မတူပါ။ ၎င်း၏ “agentic” တန်ခိုးများမှာ လူ့ဖန်တီးမှု tools များ၊ ဒေတာရင်းမြစ်များနှင့် ကြီးကြပ်မှု မူဝါဒများအတွင်းသာ အကန့်အသတ်ရှိသည်။ ကိုယ်တိုင် tools မဖန်တီးနိုင်၊ သတ်မှတ် domain နယ်နိမိတ် ပြင်ပသို့ ထွက်ခွာ၍ လုပ်ဆောင်၍ မရနိုင်ပါ။ ဒါကြောင့် လက်ရှိ ရရှိနိုင်ပြီး resources များကို ကျွမ်းကျင်စွာ စီမံဆောင်ရွက်ရာတွင် ထူးခြားပါသည်။

ထိပ်တန်း AI အမျိုးအစားနှင့် ခြားနားချက်များမှာ-

1. Domain-အထူး လွတ်လပ်မှု: Agentic RAG systems များသည် သိထားသော domain အတွင်း သုံးစွဲသူ သတ်မှတ်ထားသော ရည်မှန်းချက်များကို ရယူရန် အာရုံစိုက်ပြီး query ပြန်ရေးများနှင့် tool ရွေးချယ်မှုများဖြင့် ရလဒ်တိုးတက်စေသည်။
2. အခြေခံအဆောက်အအုံမှာ ကန့်သတ်: စနစ်၏ စွမ်းဆောင်ရည်များသည် developer များမှ ပေါင်းစည်းထားသည့် tool များနှင့် data များပေါ်တွင် မူတည်သည်။ ကိုယ်တိုင် domain မှ ထွက်ခွာ၍ မလို့ရ။
3. ဂါ့ဒ်ရေလ် များကို တန်ဖိုးထားခြင်း: ယဉ်ကျေးမှုဆိုင်ရာ လမ်းညွှန်ချက်များ၊ သတ်မှတ်ချက်စည်းမျဉ်းများနှင့် စီးပွားရေးမူဝါဒများသည် အရေးကြီးပြီး agent ၏ လွတ်လပ်မှုကို အကာအကွယ်နှင့် ကြီးကြပ်မှု စနစ်များဖြင့် ကန့်သတ်ထားသည် (မျှော်လင့်သည့်အတိုင်း)။

လက်တွေ့ အသုံးချမှု နေရာများနှင့် တန်ဖိုးများ

Agentic RAG သည် iteration ပြုလုပ်ရန်နှင့် မှန်ကန်မှုလိုအပ်သော ကိစ္စများတွင် ထူးခွားပါသည်-

1. မှန်ကန်မှု ဦးစားပေးသော ပတ်ဝန်းကျင်များ: စည်းကမ်းစစ်ဆေးမှု၊ ဥပဒေရေးရာ သုံးသပ်ခြင်း သို့မဟုတ် ဥပဒေရေးရာ သုတေသနများတွင် agentic model သည် အချက်အလက်များ ကို ပြန်လည်အတည်ပြုခြင်း၊ အရင်းအမြစ် များစွာကို တိုက်ဆိုင်စစ်ဆေးခြင်းနှင့် မေးခွန်းများ ပြန်ရေးရန် iteration ပြုလုပ်ပေးနိုင်သည်။
2. ရှုပ်ထွေးသော ဒေတာဘေ့စ် လုပ်ငန်းစဉ်များ: မေးခွန်းစနစ်အားအများကြီး ပြင်ဆင်ရန် လိုအပ်သော ကြမ်းတမ်း ဒေတာရင်းမြစ်များတွင် Agentic စနစ်သည် Azure SQL သို့မဟုတ် Microsoft Fabric OneLake ကို အသုံးပြု၍ မေးခွန်းများ ကောင်းစွာ ပြင်ဆင်ကာ အသုံးပြုသူ ရည်မှန်းချက်နှင့် ကိုက်ညီသော ရလဒ်ရရှိစေသည်။
3. ကြာရှည် စောင့်ကြည့်ရန် Workflow များ: အသစ်သော သတင်းအချက်အလက်များ ရရှိလာသည်နှင့်အမျှ ရှေ့ဆက်ကုသမှုများ ပြောင်းလဲစေသည်။ Agentic RAG သည် အချက်အလက် အသစ်များ ထည့်သွင်းအသုံးပြုနိုင်၍ ပြဿနာ နယ်ပယ်ကို ပိုမိုလေ့လာရင်း မူဝါဒများကို ပြောင်းလဲနိုင်သည်။

ထိန်းချုပ်မှု၊ ထင်ရှားမြင်သာမှုနှင့် ယုံကြည်မှု

စနစ်များသည် ကိုယ်ပိုင် စဉ်းစားမှု အချက်အလက် ဂရုပြုမှု ပိုမိုရလာအောင်

• ရှင်းလင်းသော စဉ်းစားမှု: မော်ဒယ်က သူကိုယ်တိုင် မေးမြန်းခဲ့သော မေးခွန်းများ၊ စနစ်အသုံးပြု အရင်းအမြစ်များ၊ သဘောထားချက်များ စသည့် တစ်ဆင့်ဆင့် လမ်းကြောင်းများကို စနစ်တကျ ဖော်ပြနိုင်သည်။ Azure AI Content Safety နှင့် Azure AI Tracing / GenAIOps ကဲ့သို့ tool များက ထင်ရှားမြင်သာမှု ကာကွယ်ပေးသည်။
• အနားယူခြင်းနှင့် သင့်တော်သော retrieval: developer များသည် retrieval နည်းလမ်း များကို သိမ်းထားပြီး အချက်အလက်များကို သေချာဖြင့်အမျိုးမျိုးမှ ထိုးထွင်းစိစစ်ကြသည်။ Azure Machine Learning အသုံးပြုသော advanced data science အဖွဲ့များအတွက် bias သို့မဟုတ် ပုံစံအဖြဲအစည်းကန့်သတ်မှု ရှိမရှိ စစ်ဆေးပေးနိုင်သည်။
• လူမှု့ အောက်ကြပ်မှုနှင့် စည်းကမ်းလိုက်နာမှု: အရေးကြီးသော တာဝန်များသည် လူများမှမှတ်သိမ်းစခန်းမှုလိုအပ်သည်။ Agentic RAG သည် လူ့ဆုံးဖြတ်ချက်များကို အစားထိုးခြင်း မရှိပေ။ ထိုအစား သေချာစွာ ပြန်လည်စစ်ဆေးထားသော ရွေးချယ်မှုများ ပေးဆောင်သည်ဖြစ်သည်။

လှုပ်ရှားမှုအသေးစိတ် ကိုယ်တိုင် မှတ်တမ်းထားနိုင်သော tool များ မရှိမဖြစ် လိုအပ်သည်။ မရှိသဖြင့် အဆင့်စုံ စနစ် debug လုပ်ခြင်း အလွန်ခက်ခဲပါလိမ့်မည်။ Literal AI (Chainlit ကို အောက်ခံထားသော ကုမ္ပဏီ) က Agent run ကို အောက်တွင် ဥပမာပြထားသည်။

အကျဉ်းချုပ်

Agentic RAG သည် AI စနစ်များကရှုပ်ထွေး၊ ဒေတာစွမ်းအားကြီးသော တာဝန်များကို ထိန်းသိမ်းရန် နည်းပညာတိုးတက်မှု ဖြစ်သည်။ looped interaction ပုံစံကို ပြုလုပ်ကာ ကိုယ်တိုင် tool များရွေးချယ်၊ ရှာဖွေမေးခွန်းများ ပြန်လည်ပြင်ဆင်ပြီး အရည်အသွေးမြင့် ဖြေရှင်းချက် ရမှန်ကန်သည်ထိ ဆက်လက်လုပ်ဆောင်သည်။ လူ့အကူအညီဖြင့် သတ်မှတ်ထားသည့် infrastructure နှင့် ဥပဒေရေးရာ လမ်းညွှန်ချက်များကို လိုက်နာသော်လည်း، Agentic တန်ခိုးများက စက်မှုလုပ်ငန်းများနှင့် အသုံးပြုသူများအတွက် ပိုမိုတိုးတက်သော၊ တုံ့ပြန်မှုကောင်းသော AI တွေ ဖြစ်လာစေသည်။

Agentic RAG အကြောင်း ထပ်မံမေးမြန်းလိုပါသလား?

Microsoft Foundry Discord တွင် ပါဝင်ပြီး ပညာသင်ယူသူများနှင့် တွေ့ဆုံ၊ office hours များ တက်ရောက်ကာ AI Agents ပတ်သတ်သော မေးခွန်းများ ဖြေဆိုချက်ရယူပါ။

အပိုဆောင်း အရင်းအမြစ်များ

• Azure OpenAI ဝန်ဆောင်မှုဖြင့် Retrieval Augmented Generation (RAG) ဆောင်ရွက်ခြင်း: သင့်ကိုယ်ပိုင်ဒေတာကို Azure OpenAI ဝန်ဆောင်မှုနှင့် အသုံးပြုရန် သင်ယူပါ။ ဤ Microsoft Learn မော်ဂျူးသည် RAG ကိုဆောင်ရွက်ခြင်းအတွက် ကျယ်ပြန့်သောလမ်းညွှန်ချက်များကို ပံ့ပိုးပေးပါသည်
• Microsoft Foundry ဖြင့် generative AI အမျိုးအစားများအား အကဲဖြတ်ခြင်း: ဒီဆောင်းပါးသည် ဖော်ပြနိုင်သော dataset များပေါ်တွင် မော်ဒယ်များအား အကဲဖြတ်ခြင်းနှင့် နှိုင်းယှဉ်ခြင်းကို ရှင်းလင်းပေးသည်။ Agentic AI အသုံးပြုမှုများနှင့် RAG စနစ်များကိုပါ ထည့်သွင်းထားသည်
• Agentic RAG ဆိုတာဘာလဲ | Weaviate
• Agentic RAG: Agent အခြေခံ Retrieval Augmented Generation အတွက် အပြည့်အစုံလမ်းညွှန် – News from generation RAG
• Agentic RAG: query ပြန်လည်ပြင်ဆင့်ခြင်းနှင့် ကိုယ်တိုင်မေးမြန်းခြင်းဖြင့် သင့် RAG ကို အားပေးကူညီပါ! Hugging Face Open-Source AI Cookbook
• RAG တွင် Agentic အလွှာများ ထည့်သွင်းခြင်း
• အကူအညီသမားများ၏ အနာဂတ်: Jerry Liu
• Agentic RAG စနစ်များ တည်ဆောက်နည်း
• သင့် AI agent များအား ကွပ်မျက်ရန် Microsoft Foundry Agent ဝန်ဆောင်မှု အသုံးပြုခြင်း

သုတေသန စာတမ်းများ

• 2303.17651 Self-Refine: ကိုယ်ပိုင်တုံ့ပြန်မှုဖြင့် လှည့်ကျပုံအပြင်ဆင်ခြင်း
• 2303.11366 Reflexion: စကားပုံ reinforcement learning ပါသော ဘာသာစကား agent များ
• 2305.11738 CRITIC: အကြီးစား ဘာသာစကားမော်ဒယ်များသည် ကိရိယာအပြန်အလှန် မှတ်ချက်များဖြင့် ကိုယ်တိုင်မှားယွင်းချက် ပြင်ဆင်နိုင်ခြင်း
• 2501.09136 Agentic Retrieval-Augmented Generation: Agentic RAG အကြောင်းသုံးသပ်ချက်

ယခင်သင်ခန်းစာ

Tool Use Design Pattern

နောက်ထပ် သင်ခန်းစာ

ယုံကြည်စိတ်ချရသော AI Agents တည်ဆောက်ခြင်း

---

ဖြည့်စွက်ချက်
ဤစာတမ်းကို AI ဘာသာပြန်ဆာဗစ်ဖြစ်သော Co-op Translator ဖြင့် ဘာသာပြန်ထားပါသည်။ တိကျမှုအတွက် ကြိုးစားပေသော်လည်း အလိုအလျောက် ဘာသာပြန်ချက်တွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ရှိနိုင်သည်ကို သတိပြုပါ။ မူလစာတမ်းကို မူရင်းဘာသာဖြင့်သာ သန့်တင့်သော အရင်းအမြစ်အဖြစ် စဉ်းစားသင့်ပါသည်။ အရေးကြီးသော သတင်းအချက်အလက်များအတွက် ပညာရှင်လူသား ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက် အသုံးပြုမှုကြောင့် ဖြစ်ပေါ်လာနိုင်သည့် စိတ်ပိုင်းဆိုင်ရာ မတူညီမှုများ သို့မဟုတ် အဓိပ္ပါယ်မှားယွင်းမှုများအတွက် ကျွန်ုပ်တို့ တာဝန်မခံပါ။

This site is open source. Improve this page.