ai-agents-for-beginners

(ဤသင်ခန်းစာရဲ့ ဗီဒီယိုကိုကြည့်ရန် အပေါ်တွင်ရှိသည့် ပုံကိုနှိပ်ပါ)

Agentic RAG

ဤသင်ခန်းစာသည် Agentic Retrieval-Augmented Generation (Agentic RAG) အကြောင်း အကျဉ်းချုပ်အားလုံး ပါဝင်သော AI ပုံစံအသစ်တစ်ခုကို မိတ်ဆက်ပေးပါသည်။ ၎င်းသည် ကြီးမားသော ဘာသာစကားပုံစံများ (LLMs) သည် မိမိတို့၏ နောက်တစ်ဆင့် ပြုလုပ်ရန်ရည်ရွယ်ချက်များကို ကိုယ်တိုင်စီစဉ်ပြီး အပြင်အဆင်မှသတင်းအချက်အလက်များကို ဆွဲယူသည်ဟု ဆိုနိုင်သည်။ static retrieval-then-read နေရာကို ပုံဆွဲယူခွင့်ရှိသော Agentic RAG သည် LLM ကို မကြာခဏခေါ်သုံးခြင်း၊ ကိရိယာများ သို့မဟုတ် function များခေါ်ပြီး ပြုပြင်ထားသော output များနှင့် တွဲဖက်သုံးခြင်းများ ပါဝင်သည်။ စနစ်သည် ထုတ်လွှင့်မှုများကို သုံးသပ်ပြီး၊ မေးခွန်းများကို တိုးတက်စေရန် ပြင်ဆင်သည်၊ လိုအပ်ပါက ထပ်မံကိရိယာများကို ထည့်သွင်းခေါ်ယူပြီး အဆက်မပြတ် လည်ပတ်မှုကို ဆက်လက်လုပ်ဆောင်သည်။

နိဒါန်း

ဤသင်ခန်းစာတွင် ကောက်နှုတ်သင်ကြားပါမည်

• Agentic RAG ကိုနားလည်ခြင်း: ကြီးမားသော ဘာသာစကားပုံစံများ (LLMs) သည် ကိုယ်တိုင်နောက်တစ်ဆင့်များကို စီစဉ်ပြီး အပြင်အဆင်မှ သတင်းအချက်အလက် ဆွဲယူနေပြီး AI ၏ အသစ်ထွက်ပေါ်လာသော ပုံစံအကြောင်းကို လေ့လာပါ။
• Iterative Maker-Checker စတိုင်ကို နားလည်ခြင်း: LLM ကို မကြာခဏခေါ်သုံးခြင်း၊ ကိရိယာ သို့မဟုတ် function ခေါ်ယူခြင်းနှင့် ဝေါဟာရတည်ဆောက်ထားသော output များ ပေါင်းစပ်မှုဖြင့် တိုးတက်မှန်ကန်မှုများနှင့် မှားယွင်းမှု query များ ကိုကိုင်တွယ်နိုင်မှုများကို နားလည်ပါ။
• လက်တွေ့ အသုံးပြုမှုများ လေ့လာခြင်း: Agentic RAG ကြယ်ပွင့်ပုံစံ လုပ်ဆောင်နိုင်သည့် အခြေအနေများအတွက်မှတ်သားပါ၊ ဥပမာ အမှန်တကယ်မှန်ကန်မှုကို ဦးစားပေးသော ပတ်ဝန်းကျင်များ၊ စာရင်းအင်းများနှင့် ကိရိယာများရှုပ်ထွေးခြင်း၊ နှင့် တိုးတက်ဝက်ဖလှယ်မှုများ။

သင်ယူရန် ရည်မှန်းချက်များ

ဤသင်ခန်းစာပြီးဆုံးသည့်အခါ သင်သည် သိထားမည်/နားလည်မည်မှာ

• Agentic RAG ကို နားလည်ခြင်း: ကြီးမားသော ဘာသာစကားပုံစံများ (LLMs) ကိုယ်တိုင် ပြုလုပ်သည့်နောက်တစ်ဆင့်များကို စီစဉ်ကာ အပြင်မှ ဒေတာများကို ဆွဲယူနေသည့် AI ပုံစံအသစ်အကြောင်း သိရှိမည်။
• Iterative Maker-Checker စတိုင်: LLM ကို မကြာခဏခေါ်သုံးခြင်း၊ ကိရိယာ သို့မဟုတ် function ခေါ်သုံးခြင်း၊ ဝေါဟာရတည်ဆောက်ထားသော output များ ပါဝင်ပီးမှ တိုးတက်မှုရှိစေရန်နှင့် မှားယွင်းသော မေးခွန်းများကို ကိုင်တွယ်နိုင်ရန် အကြောင်းအရာကို နားလည်မည်။
• ကြောင်းပြချက် ပုံစံကို ကိုယ်ပိုင်လုပ်ဆောင်နိုင်ခြင်း: စနစ်သည် ကိုယ်ပိုင်ကြောင်းပြချက် ပုံစံကို ကိုင်တွယ်ပြီး မူရင်း လမ်းကြောင်း မလိုအပ်ဘဲ ပြဿနာများနှင့် မည်သို့ရင်ဆိုင်မည်ကို ဆုံးဖြတ်နိုင်သည်။
• အလုပ်လုပ်စနစ်: Agentic ပုံစံသည် ကိုယ်တိုင် စျေးကွက် အခြေအနေမှတ်တမ်းများ ရယူခြင်း၊ ယှဉ်ပြိုင်သူ ဒေတာများ ရှာဖွေခြင်း၊ အတွင်းရောင်းအားစနစ်များ ဖော်ပြခြင်း၊ ရလာသော အချက်အလက်များ စုပေါင်း သိမြင်မှု ပြုလုပ်ခြင်း ၊ မဟာဗျူဟာကို အကဲဖြတ်ခြင်းတို့ကို ကိုယ်တိုင် ဆုံးဖြတ်သည်။
• Iterative Loops, Tool Integration, and Memory: စနစ်သည် လည်ပတ်ခြင်း pattern တခု ပေါ်မှာ အခြေခံပြီး အကြောင်းအရာများကို စနစ်တကျ မွမ်းမံသည်၊ မှတ်ဉာဏ်နှင့် အခြေအနေနှစ်ခုဆက်လက်ထားရှိခြင်းဖြင့် ထပ်ခါထပ်ခါပြောင်းလဲမှုများကို ရှောင်ကြဉ်ပြီး တိကျကောင်းမွန်သော ဆုံးဖြတ်ချက်များ ချမှတ်နိုင်သည်။
• ဖျက်သိမ်းမှုနှင့် ကိုယ်တိုင်ပြင်ဆင်မှုများကို ကိုင်တွယ်ခြင်း: စနစ်သည် ရိုက်လိပ်ခြင်းနှင့် ထပ်မံမေးမြန်းခြင်း၊ diagnostic ကိရိယာများအသုံးပြုခြင်း၊ လူ့ကြည့်ရှုမှုကို မှီခိုခြင်း စသည်ဖြင့် ကိုယ်တိုင် ပြင်ဆင်မှု အားကောင်းမှုရှိသည်။
• Agentic အကန့်အသတ်များ: Agentic RAG ၏ ကန့်သတ်ချက်များကို နားလည်ခြင်း၊ ၎င်းသည် အထူးဆောင်ရွက်မှုပိုင်းနှင့် လူ့ထိန်းသိမ်းမှုကို အလေးထားသည်။
• လက်တွေ့ အသုံးပြုမှုများ နှင့် အကျိုးတရားများ: Agentic RAG ၏ အားသာချက်တွင် မှန်ကန်မှု ဦးစားပေးသော ပတ်ဝန်းကျင်များ၊ စာရင်းအင်းများနှင့် တိုးတက်သော ဝက်ဖလှယ်မှုများ ပါဝင်သည်။
• အုပ်ချုပ်မှု၊ ဖော်ပြချက်၊ ယုံကြည်မှု: အုပ်ချုပ်မှုနှင့် ဖော်ပြချက်၏ အရေးပါမှုကို သိရှိပါ၊ ရှင်းလင်းသော ကြောင်းပြချက်များ၊ အလှည့်အပြောင်းထိန်းချုပ်မှု၊ လူ့ကြည့်ရှုမှုတို့ ပါဝင်သည်။

Agentic RAG ဆိုသည်မှာဘာလဲ?

Agentic Retrieval-Augmented Generation (Agentic RAG) သည် ကြီးမားသော ဘာသာစကားပုံစံများ (LLMs) ကိုယ်တိုင် နောက်တစ်ဆင့်များကို စီစဉ်ကာ အပြင်အဆင်မှ သတင်းအချက်အလက်များ ရယူခြင်းဖြင့် အသစ်ထွက်ပေါ်လာအယ်လ်ဂိုရစ်သည်။ static retrieval-then-read ပုံစံမဟုတ်ဘဲ Agentic RAG သည် LLM ကို မကြာခဏခေါ်သုံးခြင်း၊ ကိရိယာ သို့မဟုတ် function ခေါ်ယူခြင်း၊ ပြုပြင်ထားသော output များနှင့် ပေါင်းစည်းသုံးခြင်းတို့ ပါဝင်သည်။ စနစ်သည် ရလဒ်များကို သုံးသပ်ပြီး မေးခွန်းများကို တိုးတက်စေရန် ပြင်ဆင်သည်၊ လိုအပ်ပါက ကိရိယာများထပ်မံခေါ်ယူခြင်း၊ စနစ်တကျ ဖြေရှင်းမှုရရှိသည်အထိ လည်ပတ်ဆက်လက်အောင် ဆောင်ရွက်သည်။ ဒီ iterative “maker-checker” စတိုင်က တိကျမှန်ကန်မှုတိုးတက်စေပြီး မမှန်ကန်သော မေးခွန်းများကို ကိုင်တွယ်စေပြီး အရည်အသွေးမြင့် ရလဒ်ရစေပါသည်။

စနစ်သည် မိမိ၏ ကြောင်းပြချက်လုပ်ငန်းစဉ်ကို ကိုယ်တိုင်ထိန်းသိမ်းပြီး မလုံလောက်သည့် မေးခွန်းများကို ပြန်ရေးဆွဲ၊ retrieval နည်းလမ်းများကို မတူကွဲပြားရွေးချယ်ပြီး Azure AI Search တွင် vector ရှာဖွေမှု၊ SQL database များ သို့မဟုတ် စိတ်ကြိုက် API များကဲ့သို့သော ကိရိယာများစွာ ပေါင်းစည်းအသုံးပြုသည်။ Agentic စနစ်၏ ထူးခြားချက်မှာ ၎င်း၏ reasoning process ကို ကိုယ်တိုင်စီမံခန့်ခွဲနိုင်ခြင်း ဖြစ်သည်။ ပုံမှန် RAG များသည် ရှေ့မှာ သတ်မှတ်ထားသော လမ်းစဉ်များ ပေါ်တွင် အခြေခံသော်လည်း Agentic စနစ်သည် ရရှိသည့် အချက်အလက်အရသာ စီစဉ်ပုံကို ကိုယ်တိုင်ဆုံးဖြတ်သည်။

Agentic Retrieval-Augmented Generation (Agentic RAG) ကို သတ်မှတ်ခြင်း

Agentic Retrieval-Augmented Generation (Agentic RAG) သည် AI ဖွံ့ဖြိုးမှုတွင် ကြီးမားသော ဘာသာစကားပုံစံများ (LLMs) သည် အပြင်ဒေတာရင်းမြစ်များမှသာမက ကိုယ်တိုင်လည်း နောက်တစ်ဆင့် စီစဉ်ကာ လုပ်ဆောင်တတ်သော AI ပုံစံ အသစ်ဖြစ်သည်။ static retrieval-then-read ပုံစံ သို့မဟုတ် ဂရပ်ဖြင့် prompts များပြုလုပ်ခြင်း မဟုတ်ဘဲ Agentic RAG သည် iterative အကွက်များဖြင့် LLM ကို ခေါ်သုံးပြီး ကိရိယာ သို့မဟုတ် function များခေါ်ယူ၍ ဝေါဟာရတည်ဆောက်ထားသော output ပြုလုပ်ခြင်း ပါဝင်သည်။ မည်သည့်အချိတ်အဆက်တွင်ဖြစ်ဖြစ် စနစ်သည် ရလဒ်များကို သုံးသပ်ပြီး မေးခွန်းများကို တိုးတက်စေရန် ဆုံးဖြတ်ခြင်း၊ လိုအပ်သည်ဆိုပါက ကိရိယာများ ထပ်မံခေါ်ယူခြင်း၊ နှင့် စနစ်တကျဖြေရှင်းမှု ရရှိသည်အထိ လည်ပတ်ဆက်လက်မှုကို ဆောင်ရွက်သည်။

ဒီ iterative “maker-checker” စတိုင်သည် တိကျမှန်ကန်မှုတိုးတက်စေပြီး NL2SQL ကဲ့သို့သော structured database မေးခွန်းများရဲ့ မွားယွင်းမှုကို ကိုင်တွယ်၍ အရည်အသွေးမြင့် output များ ပေးစွမ်းရမည့်လုပ်ငန်းတွင် အသုံးပြုသည်။ တိကျစွာ ဖန်တီးထားသော prompt ကြိုးများပေါ်တွင် မူတည်ခြင်းမဟုတ်ပဲ စနစ်သည် ကိုယ်တိုင် reasoning process ကို ထိန်းသိမ်းထားနိုင်သည်။ ပျက်ကွက်သော မေးခွန်းများကို ပြန်ရေးနိုင်ပြီး retrieval နည်းလမ်း မတူကွဲပြားမှုတွေကို ရွေးချယ်နိုင်သည်၊ Azure AI Search ၏ vector စနစ်၊ SQL database များ သို့မဟုတ် စိတ်ကြိုက် API များကို ပေါင်းစည်းကာ နောက်ဆုံးဖြေကြားချက် ပြုလုပ်သည်။ ဤကိရိယာများများစွာပါဝင်သော ဆက်စပ်စနစ်မျိုး မလိုအပ်ပဲ ရိုးရှင်းသည့် “LLM ခေါ် → ကိရိယာ အသုံးပြု → LLM ခေါ် → …” ချိတ်ဆက်မှုတစ်ခုတည်းဖြင့် တိုးတက်ပြီး ခိုင်မာသော output များ ရရှိစေသည်။

Reasoning Process ကို ကိုယ်ပိုင်ထိန်းသိမ်းခြင်း

စနစ်တစ်ခုအား “agentic” ဖြစ်စေသော ထူးခြားချက်မှာ ၎င်း၏ reasoning process ကို ကိုယ်တိုင်ထိန်းသိမ်းနိုင်မှုဖြစ်သည်။ ပုံမှန် RAG များတွင် လူတစ်ဦးအနေဖြင့် မော်ဒယ်အတွက် retrieval ဖို့ လမ်းညွှန်ချက်များ သတ်မှတ်ပေးထားသည်။ သို့သော် စနစ်သည် အမှန်တကယ် agentic ဖြစ်ပါက ထိုပြဿနာကို ရင်ဆိုင်ရာကို ကိုယ်တိုင် ဆုံးဖြတ်သည်။ script တစ်ခုကို တစိတ်တပိုင်း လိုက်နာခြင်းမဟုတ်ပဲ ရရှိသည့် သတင်းအချက်အလက် အရည်အသွေးအပေါ် မူတည်၍ လုပ်ဆောင်ရမည့် ကန့်ကွက်လမ်းကြောင်းများကို ကိုယ်တိုင်ဆုံးဖြတ်သည်။ ဥပမာအနေဖြင့် ထုတ်ကုန် စတင်မိတ်ဆက်ရန် မဟာဗျူဟာတည်ဆောက်ရန် မေးမြန်းလျှင် ပုံမှန် prompt များလိုအပ်သည့် သုတေသနနှင့် ဆုံးဖြတ်ချက်လုပ်ငန်းစဉ်ကို တပြင်လုံး ထည့်သွင်းရေးသားခြင်းမရှိပဲ အောက်ပါအတိုင်း Agentic မော်ဒယ်သည် ကိုယ်တိုင် ဆုံးဖြတ်သည်။

1. Bing Web Grounding သုံးပြီး စျေးကွက်လက်ရှိထွက်ပေါ်မှုများ ရယူခြင်း။
2. Azure AI Search ဖြင့် ယှဉ်ပြိုင်သူ ဒေတာများ ရှာဖွေခြင်း။
3. Azure SQL Database သုံးပြီး သမိုင်းဝင် အတွင်းရောင်းအား အချက်အလက်များ နှိုင်းယှဉ်ခြင်း။
4. Azure OpenAI Service မှတဆင့် ရလာသော အချက်များကို စုပေါင်းပြီး သဟဇာတ မဟာဗျူဟာ တည်ဆောက်ခြင်း။
5. မဟာဗျူဟာတွင် ဖြတ်ကွဲမှုများရှိလာပါက နောက်ထပ် ရယူမှုတွေ တောင်းဆို၍ အကဲဖြတ်ခြင်း။ ပုံမှန်အားဖြင့် မေးခွန်းများ ပြင်ဆင်ခြင်း၊ အရင်းအမြစ်များ ရွေးချယ်ခြင်းနှင့် “ဖြေချက်နှင့် ညီမျှမှုရသည်” အထိ ထပ်မံ ဆောင်ရွက်ခြင်းများကို မော်ဒယ်က ကိုယ်တိုင် ဆုံးဖြတ်သည်၊ လူက script စီမည် မဟုတ်ပါ။

Iterative Loops, ကိရိယာ ပေါင်းစည်းခြင်းနှင့် မှတ်ဉာဏ်

Agentic စနစ်သည် looped interaction pattern တစ်ခုအား အခြေခံသည်။

• အစပိုင်း ခေါ်ယူခြင်း: အသုံးပြုသူရည်မှန်းချက် (user prompt) ကို LLM သို့ တင်ပြသည်။
• ကိရိယာ ခေါ်ယူခြင်း: မော်ဒယ်သည် လိုအပ်သည့် ဒေတာမရှိခြင်း သို့မဟုတ် အနွံ့အရသာ မရှင်းလင်းသော ညွှန်ကြားချက်များကို တွေ့ပါက vector database query (ဥပမာ Azure AI Search Hybrid search) သို့မဟုတ် structured SQL call ကဲ့သို့သော ကိရိယာ သို့မဟုတ် retrieval နည်းလမ်းကို ရွေးချယ်သည်။
• သုံးသပ်ခြင်းနှင့် ပြင်ဆင်ခြင်း: လက်ခံရရှိသော ဒေတာကို ပြန်လည်သုံးသပ်ပြီး မော်ဒယ်သည် ထိုဒေတာက လုံလောက်ကြောင်း ဆုံးဖြတ်မိပါက မေးခွန်းကို ပြင်ဆင်ခြင်း၊ အခြားကိရိယာဖြင့် ကြိုးစားခြင်း သို့မဟုတ် နည်းလမ်းပြောင်းခြင်း ပြုလုပ်သည်။
• သင်္ကေတအောင် ဆက်လက်ချက်ပြုလုပ်ခြင်း: မော်ဒယ်သည် ရလဒ်အောင်မြင်သည်အထိ လည်ပတ်မှုကို ဆက်လက်လုပ်ဆောင်သည်။
• မှတ်ဉာဏ်နှင့် အခြေအနေ အား ထိန်းသိမ်းခြင်း: စနစ်သည် အဆင့်ဆင့်မှတ်ဉာဏ်နှင့် အခြေအနေနှစ်ခုရှိသဖြင့် မကြာခဏ ထပ်ခါထပ်ခါလုပ်ဆောင်မှုများအား ရှောင်ကွေး၍ ပို၍ သတိထားပြုစုသော ဆုံးဖြတ်ချက်များ ချမှတ်နိုင်သည်။

အချိန်အတောအတွင်း ၎င်းသည် တိုးတက်လာသော နားလည်မှုတစ်မျိုး ဖြစ်ပေါ်စေပြီး လူထိန်းသိမ်းမှု အလိုမစားရဘဲ ရှုပ်ထွေးသော အဆင့်မြင့် တာဝန်များကို စူးစမ်းလေ့လာ ကျွမ်းကျင်စွာ ဆောင်ရွက်နိုင်စေသည်။

ဖျက်သိမ်းမှုဆိုင်ရာ အခက်အခဲများနှင့် ကိုယ်တိုင်ပြင်ဆင်ခြင်း

Agentic RAG ၏ ကိုယ်တိုင်လွတ်လပ်မှုသည် ကိုယ်တိုင် ပြုပြင်ပြောင်းလဲခြင်းစနစ်များကိုလည်း ပါဝင်သည်။ စနစ်သည် မသင့်တော်သော စာရွက်များ ရယူခြင်း သို့မဟုတ် မမှန်ကန်သော မေးခွန်းများ သို့ ရောက်ရှိပါက

• ပြန်လည်စမ်းသပ်ခြင်းနှင့် ထပ်မံ မေးမြန်းခြင်း: ပြန်လည်ပေးစာအတွက် အပေါ်မတက်သဖြင့် မော်ဒယ်သည် ရှာဖွေရေး နည်းဗျူဟာအသစ်များ စမ်းသပ်ခြင်း၊ database မေးခွန်းများ ပြန်ရေးခြင်း သို့မဟုတ် အခြား ဒေတာများကို ကြည့်ရှုသည်။
• Diagnostic ကိရိယာများ အသုံးပြုခြင်း: စနစ်သည် ၎င်း၏ reasoning အဆင့်များကို စစ်ဆေးပေးခြင်း သို့မဟုတ် ရရှိသည့် ဒေတာ တိကျမှုကို အတည်ပြုရန် function များ ထပ်မံခေါ်ယူနိုင်သည်။ Azure AI Tracing ကဲ့သို့သော ကိရိယာများသည် ခိုင်မာသော စောင့်ကြည့်မှုနှင့် ကြည့်ရှုမှု့အတွက် အရေးပါသည်။
• လူ့စောင့်ကြည့်မှု မှီခိုခြင်း: အလေးပေးလျက်ရှိသော် သို့မဟုတ် အကြိမ်ကြိမ်မအောင်မြင်သောအခြေအနေများတွင် မော်ဒယ်သည် မသေချာမှု ကို ဖော်ပြ၍ လူအကြံပြုမှု တောင်းဆိုနိုင်သည်။ လူမှ ညွှန်ကြားချက်ပေးပြီးနောက် မော်ဒယ်သည် ထိုသင်ခန်းစာများကို တိုးချဲ့ လေ့လာနိုင်သည်။

ဤ iterative နှင့် dynamic ဂုဏ်သတ္တိဖြစ်စေသော နည်းလမ်းသည် မော်ဒယ်ကို ဆက်တိုက်တိုးတက်မှုရှိစေပြီး တစ်ကြိမ်ပြတ်တောက်သောစနစ်မဟုတ်ဘဲ အချိန်ခတ်တစ်ခုအတွင်း မှားယွင်းမှုများမှ သင်ယူနိုင်စေသည်။

Agentic အကန့်သတ်များ

Agentic RAG သည် တာဝန်တစ်ခုအတွင်း ကိုယ်တိုင်အလုပ်လုပ်နိုင်ခြင်း ရှိသော်လည်း Artificial General Intelligence မဟုတ်ပါ။ ၎င်း၏ “agentic” လုပ်ဆောင်နိုင်မှုများသည် လူ့ developer များပေးထားသော ကိရိယာများ၊ ဒေတာများနှင့် မူဝါဒများအတွင်းသာ ကန့်သတ်ထားသည်။ ကိုယ်ပိုင် ကိရိယာများဖန်တီးခြင်း သို့မဟုတ် သတ်မှတ်ထားသော domain အကန့်အသတ်များ ပြင်ပသို့ ဦးတည်ခြင်း မပါဝင်နိုင်ပါ။ ၎င်းသည် လက်ရှိ ရင်းမြစ်များကို dynamic ဖြင့် စီမံခန့်ခွဲရာတွင် အားသာသည်။ အဆင့်မြင့် AI ပုံစံများနှင့် ခြားနားချက်များမှာ

1. Domain-Specific Autonomy: Agentic RAG စနစ်များသည် အသုံးပြုသူ သတ်မှတ်ထားသော ရည်မှန်းချက်များကို သိရှိသော domain ဖြစ်စဉ်အတွင်း ဆောင်ရွက်ပြီး query ပြန်ရေးခြင်း သို့မဟုတ် ကိရိယာ ရွေးချယ်မှုကဲ့သို့ မဟာဗျူဟာများ သုံးထားသည်။
2. အခြေခံအဆောက်အအုံ မူတည်မှု: စနစ်၏ စွမ်းဆောင်ရည်များမှာ developer များက ပေါင်းစည်းထားသော ကိရိယာများနှင့် ဒေတာများပေါ် အားထားသည်။ လူ့ပံ့ပိုးမှုမျှမရှိပါက ချဲ့ထွင်၍ မရနိုင်ပါ။
3. လုံခြုံရေး အကန့်အသတ်များအပေါ် လေးစားမှု: ယဉ်ကျေးရေး လမ်းညွှန်ချက်များ၊ လိုက်နာမှု စည်းကမ်းများနှင့် စီးပွားရေး မူဝါဒများသည် အတားအဆီးများအဖြစ် ထိန်းသိမ်းထားသည့်သူ့အတွက် အရေးကြီးပါသည်။ Agentic ၏ လွတ်လပ်မှုသည် အမြဲ တားမြစ်စနစ်များနှင့် ထိန်းကြပ်ရေးစနစ်များခံစားရသည် (မျှော်လင့်ပါတယ်)။

လက်တွေ့ အသုံးပြုမှုနှင့် တန်ဖိုးများ

Agentic RAG သည် iterative ပြင်ဆင်မှုနှင့် တိကျမှု မရှိမဖြစ်လိုအပ်သော အချိန်များတွင် ထူးခွဲသည်။

1. မှန်ကန်မှု အဓိက ပတ်ဝန်းကျင်များ: လိုက်နာမှု စစ်ဆေးမှုများ၊ စည်းကမ်းချက် ချန်လှပ်မှုများ သို့မဟုတ် နိုင်ငံတစ်ကာ တရားဥပဒေ သုတေသနများတွင် agentic မော်ဒယ်သည် အချက်အလက်များကို ထပ်မံစစ်ဆေးခြင်း၊ အရင်းအမြစ်များစွာကို အကြောင်းအရာ လေ့လာခြင်း၊ မေးခွန်းများပြန်ရေးခြင်းတို့ ပြုလုပ်သည်။
2. ရှုပ်ထွေးသော စာရင်းအင်း ချိတ်ဆက်မှုများ: Structured ဒေတာများနှင့် ဆက်စပ်သော မေးခွန်းများ အများကြီး ရှိပါက စနစ်သည် ၎င်း၏ မေးခွန်းများကို Azure SQL သို့မဟုတ် Microsoft Fabric OneLake သုံး၍ ကိုယ်တိုင် ပြင်ဆင်သည်၊ ယာယီရယူမှုသည် အသုံးပြုသူရဲ့ ရည်ရွယ်ချက်နှင့် ကိုက်ညီသည်။
3. တိုးချဲ့သော အလုပ်စဉ်များ: အပိုင်းရှည် စက်စဉ်များတွင် အသစ်ထွက်ပေါ်လာသော ဒေတာများကို ဆက်လက် ထည့်သွင်းရန် Agentic RAG သည်အသုံးပြုသည်၊ ပြဿနာဧရိယာအပေါ်ပို၍ သတိထားလာသည်နှင့်အမျှ မဟာဗျူဟာများ ပြောင်းလဲသည်။

အုပ်ချုပ်မှု၊ ဖော်ပြချက်နှင့် ယုံကြည်မှု

ဤစနစ်များသည် ကိုယ်တိုင် ကြောင်းပြချက်လုပ်ငန်းစဉ်များ ရှိလာသည့်အခါ၊ အုပ်ချုပ်မှုနှင့် ဖော်ပြချက်သည် အရေးကြီးသည်။

• ရှင်းလင်းသော reasoning: မော်ဒယ်သည် ၎င်းသာမန် မေးမြန်းချက်များ၊ ရင်းမြစ်များနှင့် reasoning အဆင့်များ၏ အစီအစဉ်များကို အသေးစိတ် ဖော်ပြနိုင်သည်။ Azure AI Content Safety နှင့် Azure AI Tracing / GenAIOps ကဲ့သို့သော ကိရိယာများသည် ဖော်ပြချက်တရားကို ထိန်းသိမ်းရန်နှင့် အန္တရာယ် ဖယ်ရှားရာတွင် အထူးအရေးပါသည်။
• အလှည့်အပြောင်း ထိန်းချုပ်မှုနှင့် စနစ်တကျ ရှာဖွေရေး: ဖန်တီးသူများသည် ရှာဖွေရေး မဟာဗျူဟာများအား ထိန်းညှိပြီး သာမန်၊ ကိုယ်စားလှယ် ဒေတာရင်းမြစ်များ ပါဝင်စေရန် နေ့စဉ် အသုံးပြုမှုအတွက် bias ဟန်ချက်ညီမှုများကို စစ်ဆေးသည်၊ Azure Machine Learning သုံး၍ data science ဝန်ကြီးဌာနများအတွက် နက်ရှိုင်းသော မော်ဒယ်များဖြင့် ထောက်ပံ့သည်။
• လူ့စောင့်ကြည့်မှုနှင့် လိုက်နာမှု: ထိခိုက်မူများအတွက် လူ့သူတို့ စစ်ဆေးမှု့သည် မရှိမဖြစ်လိုအပ်သည်။ Agentic RAG သည် လူ့ဆုံးဖြတ်ချက်ကို အစားထိုးမထားဘဲ သေချာစွာစစ်ဆေးထားသော ရွေးချယ်မှုများ ပေးစွမ်းပေးသည်။

ပြုလုပ်ချက်များအား ရှင်းလင်းစွာ မှတ်တမ်းတင်ပေးသော ကိရိယာများ ရှိရမည်ဖြစ်သည်။ မရှိပါက multi-step လုပ်ငန်းစဉ်ကို အမှန်တကယ် ပြုပြင်ရခက်သည်။ Literal AI (Chainlit ကို ထောက်ခံ သည့် ကုမ္ပဏီ) မှ Agent run အတော်လေး ဥပမာဖြစ်စေသည်။

နိဂုံးချုပ်

Agentic RAG သည် AI စနစ်များ ရှုပ်ထွေးပြီး ဒေတာအထူးပြု တာဝန်များကို ဘယ်လို ကိုင်တွယ်ဆောင်ရွက်သည်ကို သဘာဝတရားများဖြစ်ပုံကို ခြုံငုံဖော်ပြသည်။ looped interaction pattern ကို အသုံးပြုခြင်း၊ ကိရိယာများကို ကိုယ်တိုင် ရွေးချယ်ပြီး မေးခွန်းများကို တိုးတက်လျှင် တိုးတက်လုပ်ငန်းစဉ်ဖြင့်ပြီးမြောက်အောင် ပြုလုပ်သည်။ ၎င်းစနစ်သည် static prompt နောက်လိုက်မှုမှ အလွန်ကွဲပြားသည့် ဆုံးဖြတ်ချက် တည်ဆောက်ခြင်းကို ပြုလုပ်သည်။ လူတို့ရဲ့ သတ်မှတ်ထားသော အခြေခံအဆောက်အအုံ နှင့် ဥပဒေဖြင့် အကန့်အသတ်ထားသော်လည်း Agentic စွမ်းအားများသည် စီးပွားရေးလုပ်ငန်းများနှင့် အဆုံးသုံးသူများအတွက် ပိုမိုချဲ့ထွင်ပြီး dynamic ဖြစ်စေရန် အတတ်နိုင်ဆုံး အခွင့်အလမ်းများအား ပံ့ပိုးပေးသည်။

Agentic RAG အကြောင်းပိုမို မေးမြန်းလိုပါသလား?

Microsoft Foundry Discord တွင် ပူးပေါင်းလေ့လာသူများနှင့် တွေ့ဆုံ၊ ရုံးအချိန်များတွင် တက်ရောက်ပြီး သင့်၏ AI Agents မေးခွန်းများကို ဖြေကြားနိုင်ပါသည်။

ထပ်ဆောင်း အရင်းအမြစ်များ

• Azure OpenAI Service ဖြင့် Retrieval Augmented Generation (RAG) ကို အကောင်အထည်ဖော်ခြင်း: Azure OpenAI Service ဖြင့် ကိုယ့်ဒေတာကို မည်သို့အသုံးပြုရမည်ဆိုသည့် သင်ခန်းစာ လမ်းညွှန်
• Microsoft Foundry နှင့် Generative AI application များကို အကဲဖြတ်ခြင်း: ပုံမှန် dataset များပေါ်မူတည်ပြီး AI ပုံစံများ နှိုင်းယှဉ်ခြင်း၊ Agentic AI နှင့် RAG ပုံစံများ ပါဝင်သည်
• Agentic RAG ဆိုသည်မှာ | Weaviate

• Agentic RAG: Agent-Based Retrieval Augmented Generation အကြောင်း လုံးဝ လမ်းညွှန် – generation RAG မှ သတင်းများ

• Agentic RAG: မေးခွန်းပြန်လည်ဖွဲ့စည်းခြင်းနှင့် ကိုယ်တိုင်မေးခွန်းမေးခြင်းဖြင့် သင့် RAG ကို turbocharge လုပ်ပါ! Hugging Face အဖွင့်အကုန် AI Cookbook
• RAG တွင် Agentic Layers ပေါင်းထည့်ခြင်း
• အသိပညာအကူအညီပေးသူများ၏ အနာဂတ်: Jerry Liu
• Agentic RAG စနစ်များ ဘယ်လိုတည်ဆောက်မလဲ
• Microsoft Foundry Agent Service ကို သုံးပြီး သင့် AI အေးဂျင့်များကို စွမ်းဆောင်ရည်မြှင့်တင်ခြင်း

သိပ္ပံစာတမ်းများ

• 2303.17651 Self-Refine: ကိုယ်တိုင်ပြန်လည်ကောင်းမွန်စေရေး အဆင့်ဆင့်တိုးတက်ပြုပြင်မှု
• 2303.11366 Reflexion: ဒျာသနာ အေးဂျင့်များနှင့် စကားပြောမှုပုဂ္ဂိုလ်ရေး ပြန်လည်အားပေးခြင်းသင်ကြားမှု
• 2305.11738 CRITIC: ကြီးမားသောဘာသာစကားမော်ဒယ်များသည် ကိရိယာ-အပြန်အလှန် ဝေဖန်ခြင်းဖြင့် ကိုယ်တိုင်ပြင်ဆင်နိုင်သည်
• 2501.09136 Agentic Retrieval-Augmented Generation: Agentic RAG အပေါ် သုံးသပ်ချက်

ဒီအေးဂျင့်ကို ကြမ်းသပ်ခြင်း (ရွေးချယ်စရာ)

Lesson 16 တွင် အေးဂျင့်များ ဖြန့်ချိနည်းကို သင်ယူပြီးနောက်၊ သင် အဆင့်(၅)၏ TravelRAGAgent ကို tests/lesson-05-smoke-tests.json ဖြင့် အကြောင်းအရင်းအရ ပြုပြင်ထိန်းသိမ်းမှုရှိမရှိ စစ်ဆေး၍ ကြမ်းသပ်နိုင်သည်။ ဖြည့်စွက်အသေးစိတ်မှာ tests/README.md တွင် ကြည့်ပါ။

ယခင်သင်ခန်းစာ

ကိရိယာ အသုံးပြုမှု ဒီဇိုင်း ပုံစံ

နောက်တစ်ခါ သင်ခန်းစာ

ယုံကြည်စိတ်ချရသော AI အေးဂျင့်များ တည်ဆောက်ခြင်း

---

ပြောကြားချက် ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးပမ်းနေသော်လည်း၊ စက်ကိရိယာဘာသာပြန်ခြင်းများတွင် အမှားများ သို့မဟုတ် မှားယွင်းချက်များ ပါဝင်နိုင်ကြောင်း သတိပြုပါရန် လိုအပ်ပါသည်။ မူလစာတမ်းကို မူရင်းဘာသာဖြင့်သာ ယုံကြည်စိတ်ချရသော အချက်အလက်အဖြစ် သတ်မှတ်သင့်သည်။ အရေးကြီးသည့် သတင်းအချက်အလက်များအတွက် ပရော်ဖက်ရှင်နယ် လူသားဘာသာပြန်သူဝန်ဆောင်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုကွာခြားမှုများ သို့မဟုတ် မမှန်ကန်သော အသုံးပြုမှုများအတွက် ကျွန်ုပ်တို့ တာဝန်မခံပါ။

This site is open source. Improve this page.