ai-agents-for-beginners

(यस पाठको भिडियो हेर्न माथिको तस्बिरमा क्लिक गर्नुहोस्)

Agentic RAG

यो पाठ Agentic Retrieval-Augmented Generation (Agentic RAG) को एक व्यापक अवलोकन प्रदान गर्दछ, जुन एक उदीयमान AI प्रतिमारूप हो जहाँ ठूला भाषा मोडेलहरूले (LLLs) स्वायत्त रूपमा आफ्नो अर्को कदम योजना बनाउँछन् र बाह्य स्रोतहरूबाट जानकारी तान्छन्। स्थिर retrieval-then-read ढाँचाहरूभन्दा फरक, Agentic RAG ले LLM लाई पुनरावृत्ति कलहरू गर्दछ, जसमा टूल वा फंक्शन कलहरू र संरचित आउटपुटहरू समावेश छन्। सिस्टमले परिणामहरू मूल्याङ्कन गर्दछ, सोधपुछहरू परिमार्जन गर्दछ, आवश्यक पर्दा थप उपकरणहरू आव्हान गर्दछ, र यो चक्र तबसम्म जारी राख्छ जबसम्म सन्तोषजनक समाधान प्राप्त हुँदैन।

परिचय

यस पाठले समेट्नेछ

• Agentic RAG बुझ्ने: AI मा उदाउँदै गरेको प्रतिमारूप जहाँ ठूला भाषा मोडेलहरूले (LLLs) स्वायत्त रूपमा आफ्नो अर्को कदम योजना बनाउँछन् र बाह्य डेटा स्रोतहरूबाट जानकारी तान्छन्।
• पुनरावृत्ति Maker-Checker शैली बुझ्ने: LLM लाई पुनरावृत्ति कलहरूको लूप, टूल वा फंक्शन कलहरू र संरचित आउटपुटहरू बीच सम्मिलन गरेर, सहीता सुधार गर्ने र विकृत सोधपुछहरू व्यवस्थापन गर्ने तरिका बुझ्ने।
• प्रायोगात्मक अनुप्रयोगहरू अन्वेषण गर्ने: Agentic RAG कसरी चम्किन्छ, जस्तै सहीता-मुख्य वातावारणहरू, जटिल डेटाबेस अन्तरक्रियाहरू, र विस्तारित काम प्रक्रियाहरू।

सिकाइ लक्ष्यहरू

यस पाठ पूरा गरेपछि, तपाईं जान्नुहुनेछ/बुझ्नुहुनेछ:

• Agentic RAG बुझ्ने: AI मा उदाउँदै गरेको प्रतिमारूप जहाँ ठूलो भाषा मोडेलहरूले (LLLs) स्वायत्त रूपमा आफ्नो अर्को कदम योजना बनाउँछन् र बाह्य डेटा स्रोतहरूबाट जानकारी तान्छन्।
• पुनरावृत्ति Maker-Checker शैली: LLM लाई पुनरावृत्ति कलहरूको लूप, टूल वा फंक्शन कलहरू र संरचित आउटपुटहरू बीच सम्मिलन गर्ने अवधारणा बुझ्ने, जसले सहीता सुधार गर्ने र विकृत सोधपुछहरू व्यवस्थापन गर्छ।
• तर्क प्रक्रियाको स्वामित्व लिनु: प्रणालीले आफ्नो तर्क प्रक्रियाको स्वामित्व कसरी लिन्छ बुझ्ने, जुन पूर्वनिर्धारित बाटोहरूमा निर्भर नभई समस्याहरूमा कसरी सामना गर्छ।
• कर्मप्रवाह: कसरी एउटै एजेन्टिक मोडेलले स्वतन्त्र रूपमा बजार प्रवृत्ति रिपोर्टहरू तान्ने, प्रतिस्पर्धी डेटा पहिचान गर्ने, आन्तरिक बिक्री मेट्रिक्सहरू समन्वय गर्ने, निष्कर्षहरू संयोजन गर्ने र रणनीति मूल्याङ्कन गर्ने बुझ्ने।
• पुनरावृत्ति लूपहरू, उपकरण एकीकरण, र मेमोरी: प्रणालीले लूप गरेको अन्तरक्रिया ढाँचामा निर्भर गर्दछ भन्ने कुरा र यसले अवस्था र मेमोरीलाई कसरी कायम राख्छ जसले दोहोरिने लूपहरूबाट बचाउछ र सूचित निर्णयहरू लिन्छ भन्ने जान्ने।
• विफलता मोड्स र आत्म-सुधार व्यवस्थापन: प्रणालीका बलियो आत्म-सुधार उपायहरू अन्वेषण गर्ने, जसमा पुनरावृत्ति र पुनः सोधपुछ, डायग्नोस्टिक उपकरणहरूको प्रयोग, र मानव निगरानीमा फिर्ता जानेलाई समावेश गर्छ।
• एजेंसीका सीमा: Agentic RAG का सीमाहरू बुझ्ने, डोमेन-विशेष स्वायत्तता, संरचना निर्भरता, र गार्डरेलहरूको सम्मानमा केन्द्रित।
• व्यावहारिक प्रयोग केसहरू र मूल्य: Agentic RAG कहाँ चम्किन्छ जस्तै सहीता-मुख्य वातावारणहरू, जटिल डेटाबेस अन्तरक्रियाहरू, र लामो काम प्रक्रियाहरू पहिचान गर्ने।
• शासन, पारदर्शिता, र विश्वास: शासन र पारदर्शिताको महत्त्व जान्ने, जसमा व्याख्यात्मक तर्क, पूर्वाग्रह नियन्त्रण, र मानव निगरानी समावेश छ।

Agentic RAG के हो?

Agentic Retrieval-Augmented Generation (Agentic RAG) एक उदीयमान AI प्रतिमारूप हो जहाँ ठूला भाषा मोडेलहरूले (LLLs) स्वायत्त रूपमा आफ्नो अर्को कदम योजना बनाउँछन् र बाह्य स्रोतहरूबाट जानकारी तान्छन्। स्थिर retrieval-then-read ढाँचाहरूभन्दा फरक, Agentic RAG ले LLM लाई पुनरावृत्ति कलहरू गर्दछ, टूल वा फंक्शन कलहरू र संरचित आउटपुटहरू बीच सम्मिलन गर्दै। प्रणालीले परिणामहरू मूल्याङ्कन गर्छ, सोधपुछहरू परिमार्जन गर्छ, आवश्यक पर्दा थप उपकरणहरूलाई आव्हान गर्छ, र यो चक्र तबसम्म जारी राख्छ जबसम्म सन्तोषजनक समाधान प्राप्त हुँदैन। यो पुनरावृत्तिपूर्ण “maker-checker” शैलीले सहीता सुधार गर्दछ, विकृत सोधपुछहरू व्यवस्थापन गर्छ, र उच्च गुणस्तरका नतिजाहरू सुनिश्चित गर्दछ।

प्रणाली आफ्नो तर्क प्रक्रियाको सक्रिय स्वामित्व लिन्छ, असफल सोधपुछहरू पुनर्लेखन गर्छ, फरक retrieval विधिहरू चयन गर्छ, र धेरै उपकरणहरू एकीकृत गर्छ—जस्तै Azure AI Search को भेक्टर खोज, SQL डेटाबेस, वा कस्टम API—अन्तिम उत्तर अंतिमरूपमा दिने अघि। एजेन्टिक प्रणालीको प्रमुख विशेषता यसको तर्क प्रक्रियामा स्वामित्व लिन सक्ने क्षमता हो। परम्परागत RAG कार्यान्वयनहरूले पूर्व-निर्धारित मार्गहरूमा निर्भर गर्दछन्, तर एजेन्टिक प्रणालीले फेला पारिएको जानकारीको गुणस्तरअनुसार स्वतन्त्र रूपले कदमहरूको अनुक्रम निर्धारण गर्छ।

Agentic Retrieval-Augmented Generation (Agentic RAG) परिभाषित गर्नुहोस्

Agentic Retrieval-Augmented Generation (Agentic RAG) AI विकासमा एउटा उदीयमान प्रतिमारूप हो जहाँ LLM हरूले मात्र बाह्य डेटा स्रोतहरूबाट जानकारी तान्दैनन्, तर आफ्ना अर्को कदमहरू स्वायत्त रूपमा योजना बनाउँछन्। स्थिर retrieval-then-read ढाँचाहरू वा सावधानीपूर्वक स्क्रिप्ट गरिएको प्रॉम्प्ट अनुक्रमहरूको सट्टा, Agentic RAG ले LLM लाई पुनरावृत्ति कलहरूको लूप गर्दछ, टूल वा फंक्शन कलहरू र संरचित आउटपुटहरू बीच सम्मिलित गर्दै। प्रत्येक चरणमा, प्रणालीले प्राप्त परिणामहरूको मूल्याङ्कन गर्दछ, सोधपुछहरू परिमार्जन गर्ने वा थप उपकरणहरू आव्हान गर्ने निर्णय गर्छ, र यो चक्र तबसम्म जारी राख्छ जबसम्म सन्तोषजनक समाधान प्राप्त हुँदैन।

यस पुनरावृत्तिपूर्ण “maker-checker” शैलीको सञ्चालन सहीता सुधार गर्न, संरचित डेटाबेसहरू (जस्तै NL2SQL) मा विकृत सोधपुछहरू व्यवस्थापन गर्न र सन्तुलित, उच्च गुणस्तर परिणामहरू सुनिश्चित गर्न डिजाइन गरिएको हो। केवल सावधानीपूर्वक डिजाइन गरिएको प्रॉम्प्ट श्रृंखलामा निर्भर हुनको सट्टा, प्रणालीले आफ्नो तर्क प्रक्रियामा सक्रिय स्वामित्व हुन्छ। असफल हुने सोधपुछहरू पुनर्लेखन गर्न सक्छ, फरक retrieval विधिहरू छनोट गर्न सक्छ, र धेरै उपकरणहरू (जस्तै Azure AI Search को भेक्टर खोज, SQL डेटाबेसहरू, वा कस्टम APIहरू) एकीकृत गर्न सक्छ—अन्तिम उत्तर निर्धारण गर्नु अघि। यसले अत्यधिक जटिल कथा प्रणालिहरूको आवश्यकता हटाउँछ। यसको सट्टामा, “LLM कॉल → टूल प्रयोग → LLM कॉल → …” को एक सरल पुनरावृत्ति लूपले जटिल र राम्रो तहमा आधारित आउटपुटहरू दिन सक्छ।

तर्क प्रक्रियाको स्वामित्व लिनु

एउटा प्रणालीलाई “agentic” बनाउने मुख्य गुण यसले आफ्नो तर्क प्रक्रियामा स्वामित्व लिन सक्नु हो। परम्परागत RAG कार्यान्वयनहरू प्रायः मोडेलका लागि पूर्व-निर्धारित मार्गमा निर्भर हुन्छन्: के retrieval गर्ने र कहिले गर्ने भनेर निर्धारित गर्ने chain-of-thought। तर जब प्रणाली साँच्चिकै agentic हुन्छ, तब यसले भित्रैबाट समस्यामा कसरी 접근 गर्ने निर्णय गर्छ। यो केवल स्क्रिप्ट चलाइरहेको छैन; यो जानकारीको गुणस्तरका आधारमा कदमहरूको क्रमलाई स्वायत्त रूपमा निर्धारण गरिरहेको हुन्छ। उदाहरणका लागि, यदि यसलाई उत्पादन विमोचन रणनीति बनाउन भनिन्छ भने, यो सम्पूर्ण अनुसन्धान र निर्णय प्रक्रिया प्रॉम्प्टमा उल्लेख गरिएकोमा मात्र निर्भर रहँदैन। यसको सट्टा, एजेन्टिक मोडेल स्वतन्त्र रूपमा निर्णय गर्छ कि:

1. Bing वेब ग्राउन्डिङ प्रयोग गरी वर्तमान बजार प्रवृत्ति रिपोर्टहरू तान्ने
2. Azure AI Search प्रयोग गरेर सम्बन्धित प्रतिस्पर्धी डेटा पहिचान गर्ने।
3. Azure SQL डेटाबेस प्रयोग गरी ऐतिहासिक आन्तरिक बिक्री मेट्रिक्सहरू समन्वय गर्ने।
4. Azure OpenAI Service मार्फत समन्वित रणनीतिमा निष्कर्षहरू संश्लेषण गर्ने।
5. रणनीतिमा खाचाखुचा वा असमानताहरू मूल्याङ्कन गर्ने, र आवश्यक भएमा फेरि retrieval को चरण सुरु गर्ने। यी सबै कदमहरू—सोधपुछहरू परिमार्जन गर्ने, स्रोतहरू छनोट गर्ने, “खुसी” नभएसम्म पुनरावृत्ति गर्ने—मोडेलले निर्णय गर्छ, पूर्व-स्क्रिप्ट गरिएको मानवले होइन।

पुनरावृत्ति लूपहरू, टूल एकीकरण, र मेमोरी

एजेन्टिक प्रणालीले एउटा लूप गरिएको अन्तरक्रिया ढाँचामा निर्भर गर्दछ:

• प्रारम्भिक कल: प्रयोगकर्ताको लक्ष्य (प्रयोगकर्ता प्रॉम्प्ट) LLM लाई प्रस्तुत गरिन्छ।
• टूल आव्हान: मोडेलले हराएको जानकारी वा अस्पष्ट निर्देशनहरू पहिचान गरेमा, यसले टूल वा retrieval विधि चयन गर्दछ—जस्तै भेक्टर डेटाबेस सोधपुछ (जस्तै Azure AI Search Hybrid खोज निजी डाटामा) वा संरचित SQL कल—अधिक सन्दर्भ सङ्कलन गर्न।
• मूल्याङ्कन र परिमार्जन: फर्काइएको डाटालाई समीक्षा गरेपछि, मोडेल निर्णय गर्छ कि जानकारी पर्याप्त छ कि छैन। नभएमा, यसले सोधपुछ परिमार्जन गर्छ, फरक टूल प्रयास गर्छ, वा आफ्नो दृष्टिकोण समायोजन गर्छ।
• सन्तुष्ट नहुँदासम्म दोहोर्याउने: यस्तो चक्र तबसम्म जारी रहन्छ जबसम्म मोडेलले पर्याप्त स्पष्टता र प्रमाण पाउँदछ र अन्तिम, राम्रो रूपमा सोचिएको प्रतिक्रिया दिन्छ।
• मेमोरी र अवस्था: प्रणालीले चरणहरूमा अवस्था र मेमोरी कायम राख्ने भएकाले, यसले पहिलाका प्रयासहरू र तिनका नतिजाहरू सम्झन सक्छ, दोहोरिने लूपहरूबाट बच्छ र अघि बढ्दा सूचित निर्णयहरू लिन्छ।

समयसँगै, यसले विकसित हुँदै गएको बुझाइको अनुभूति सिर्जना गर्छ, जसले मोडेललाई जटिल, बहु-चरण कार्यहरूमा मानवले निरन्तर हस्तक्षेप नगरी वा प्रॉम्प्ट पुन:संरचना नगरी नेभिगेट गर्न सक्षम बनाउँछ।

विफलता मोडहरू र आत्म-सुधार व्यवस्थापन

Agentic RAG को स्वायत्ततामा बलियो आत्म-सुधार यन्त्रहरू पनि छन्। जब प्रणालीले अँध्यारो मोडहरू (जस्तै गैर-सम्बन्धित कागजातहरू retrieval गर्ने वा विकृत सोधपुछहरू सामना गर्ने) हेर्छ, तब यसले गर्न सक्छ:

• पुनरावृत्ति र पुनः सोधपुछ: न्यून-मूल्य प्रतिक्रिया फर्काउने सट्टा, मोडेल नयाँ खोज रणनीतिहरू प्रयास गर्छ, डेटाबेस सोधपुछ पुनर्लेखन गर्छ, वा वैकल्पिक डाटा सेटहरू हेर्छ।
• डायग्नोस्टिक टूलहरूको प्रयोग: प्रणालीले अतिरिक्त फंक्शन्स आव्हान गर्न सक्छ जसले यसलाई आफ्नो तर्क चरणहरू डिबग गर्न वा retrieval गरिएको डाटाको सहीता पुष्टिकरण गर्न मद्दत गर्छ। Azure AI Tracing जस्ता टूलहरूले बलियो अवलोकन र अनुगमन सक्षम पार्नेछन्।
• मानव निगरानीमा फिर्ता जानु: उच्च-दांव वा बारम्बार विफल अवस्थाहरूमा, मोडेलले अनिश्चितता संकेत गर्न सक्छ र मानव मार्गदर्शन माग्न सक्छ। एकपटक मानवले सुधारात्मक प्रतिक्रया दिएपछि, मोडेलले त्यो पाठलाई अगाडि बढाउन समावेश गर्न सक्छ।

यो पुनरावृत्तिपूर्ण र गतिशील दृष्टिकोणले मोडेललाई निरन्तर सुधार गर्न अनुमति दिन्छ, जसले यसलाई मात्र एक पटकको प्रणाली नभई एक यस्तो बनाउँछ जसले सेसनको क्रममा आफ्नो गल्तीहरूबाट सिक्छ।

एजेंसीका सीमा

कुनै एउटा कार्य भित्र यसको स्वायत्तता भए पनि, Agentic RAG कृत्रिम सामान्य बुद्धिमत्तासँग समानान्तर होइन। यसको “agentic” क्षमताहरू मानवीय विकासकर्ताहरूले प्रदान गरेका टूलहरू, डेटा स्रोतहरू, र नीति सीमामा सीमित छन्। यो आफैँले आफ्नै उपकरणहरू आविष्कार गर्न वा सेट गरिएका डोमेन सीमाहरू बाहिर जान सक्दैन। बरु, यो हातमा रहेका स्रोतहरूलाई गतिशील रूपमा व्यवस्थित गर्न सक्षम छ। अझ उन्नत AI प्रकारहरूबाट मुख्य फरकहरू समावेश छन्:

1. डोमेन-विशेष स्वायत्तता: Agentic RAG प्रणालीहरू प्रयोक्ताद्वारा परिभाषित लक्ष्यहरू हासिल गर्न केन्द्रित हुन्छन्, सोधपुछ पुनर्लेखन वा उपकरण छनोट जस्ता रणनीतिहरू प्रयोग गरेर परिणाम सुधार गर्छन्।
2. संरचना-निर्भर: प्रणालीका क्षमताहरू विकासकर्ताहरूले एकीकृत गरेका उपकरण र डाटामा निर्भर छन्। मानवीय हस्तक्षेप बिना यसले ती सीमाहरू पार गर्न सक्दैन।
3. गार्डरेलहरूको सम्मान: नीतिगत निर्देशनहरू, अनुपालन नियमहरू, र व्यावसायिक नीतिहरू अत्यन्त महत्वपूर्ण रहन्छन्। एजेन्टको स्वतन्त्रता सँधै सुरक्षा उपायहरू र निगरानी यन्त्रहरूद्वारा सीमित हुन्छ (आशा छ?).

व्यावहारिक प्रयोग केसहरू र मूल्य

Agentic RAG पुनरावृत्ति परिष्कार र शुद्धताको आवश्यकताहरु भएका परिप्रेक्ष्यहरूमा चम्किन्छ:

1. सहीता-मुख्य वातावारणहरू: अनुपालन जाँच, नियामक विश्लेषण, वा कानुनी अनुसन्धानमा, एजेन्टिक मोडेलले तथ्यहरू बारम्बार जाँच गर्न, धेरै स्रोतहरू सल्लाह लिन, र सोधपुछहरू पुनर्लेखन गर्न सक्छ जबसम्म पूर्ण रूपले जाँचिएको उत्तर उत्पादन हुँदैन।
2. जटिल डेटाबेस अन्तरक्रिया: संरचित डाटासँग व्यवहार गर्दा जसमा सोधपुछहरू प्रायः असफल हुन सक्छन् वा समायोजन आवश्यक पर्न सक्छ, प्रणालीले Azure SQL वा Microsoft Fabric OneLake प्रयोग गरी आफ्ना सोधपुछहरू स्वायत्त रूपमा परिमार्जन गर्न सक्छ, सुनिश्चित गर्दै अन्तिम retrieval प्रयोगकर्ताको आशयअनुरूप हो।
3. विस्तारित कार्यप्रवाहहरू: लामो अवधि चल्ने सेसनहरूले नयाँ जानकारीसँगै विकास हुन सक्छ। Agentic RAG निरन्तर रूपमा नयाँ डाटा समावेश गर्न सक्छ, समस्याको क्षेत्रबारे धेरै सिक्दै रणनीतिहरू परिवर्तन गर्दै।

शासन, पारदर्शिता, र विश्वास

यी प्रणालीहरूले आफ्नो तर्कमा बढी स्वायत्तता लिँदै गर्दा, शासन र पारदर्शिता धेरै महत्वपूर्ण हुन्छ:

• व्याख्यात्मक तर्क: मोडेलले गरेको सोधपुछहरूको अडिट ट्रेल, सल्लाह लिएका स्रोतहरू, र आफ्नो निर्णयसम्म पुग्नका लागि हिँडिएका तर्क चरणहरू प्रदान गर्न सक्छ। Azure AI Content Safety र Azure AI Tracing / GenAIOps जस्ता टूलहरूले पारदर्शिता कायम राख्न र जोखिम कम गर्न सहयोग पुर्‍याउँछन्।
• पूर्वाग्रह नियन्त्रण र सन्तुलित retrieval: विकासकर्ताहरूले retrieval रणनीतिहरू समायोजन गर्न सक्छन् जसले सन्तुलित, प्रतिनिधि डेटा स्रोतहरू विचार गर्छ, र नियमित रूपमा उत्पादनहरू अडिट गर्छन् ताकि Azure Machine Learning प्रयोग गर्ने उन्नत डेटा विज्ञान संगठनहरूका लागि पूर्वाग्रह वा विकृत ढाँचाहरू पत्ता लगाउन सकियोस्।
• मानव निगरानी र अनुपालन: संवेदनशील कार्यहरूको लागि, मानव समीक्षा अझै आवश्यक हुन्छ। Agentic RAG उच्च-दांव निर्णयहरूमा मानव न्याय स्थानापन्न गर्दैन—यसले बढी गम्भीर रूपमा जाँचिएका विकल्पहरू प्रदान गरेर सहयोग गर्छ।

कार्यहरूका स्पष्ट अभिलेख उपलब्ध गराउने उपकरणहरू हुनु आवश्यक छन्। बिना तिनीहरूको, बहु-चरण प्रक्रियाको डिबगिङ निकै कठिन हुन्छ। Literal AI (Chainlit पछाडि कम्पनी) द्वारा एउटा Agent रनको उदाहरण हेर्नुहोस्:

निष्कर्ष

Agentic RAG ले AI प्रणालीहरू कसरी जटिल, डेटा-गहन कार्यहरू सामना गर्छन् भन्नेमा एक प्राकृतिक विकासलाई प्रतिनिधित्व गर्छ। पुनरावृत्ति गरिएको अन्तरक्रिया ढाँचा अपनाई, स्वायत्त रूपमा उपकरणहरू चयन गरी, र उच्च गुणस्तर परिणाम उपलब्ध गराउनेसम्म सोधपुछहरू परिमार्जन गर्दै, प्रणाली स्थिर प्रॉम्प्ट-पालन गर्नेभन्दा पर परिस्कृत, सन्दर्भ-जानकार निर्णयकर्ता तर्फ बढ्छ। अझै पनि मानव-परिभाषित संरचनाहरू र नैतिक निर्देशिकाद्वारा सीमित भए तापनि, यी एजेन्टिक क्षमताहरू उद्यमहरू र अन्तिम प्रयोगकर्ताहरूका लागि धनी, गतिशील, र अन्ततः बढी उपयोगी AI अन्तरक्रियाहरू सक्षम बनाउँछन्।

Agentic RAG सम्बन्धमा थप प्रश्नहरू छन्?

अन्य सिक्नेहरूसँग भेटघाट गर्न, अफिस आवरमा जान र आफ्ना AI एजेन्ट सम्बन्धी प्रश्नहरू उत्तर पाउन Microsoft Foundry Discord मा सहभागी हुनुहोस्।

थप स्रोतहरू

• Azure OpenAI सेवा संग Retrieval Augmented Generation (RAG) लागू गर्नुहोस्: Azure OpenAI सेवासँग आफ्नो डेटा कसरी प्रयोग गर्ने जान्नुहोस्। यो Microsoft Learn मोड्युलले RAG कार्यान्वयन गर्ने व्यापक गाइड प्रदान गर्दछ
• Microsoft Foundry सँग सर्जनात्मक AI अनुप्रयोगहरूको मूल्याङ्कन: यस लेखले सार्वजनिक रूपमा उपलब्ध डेटासेटहरूमा मोडेलहरूको मूल्याङ्कन र तुलना समेट्छ, जसमा Agentic AI अनुप्रयोगहरू र RAG आर्किटेक्चरहरू समेत छन्
• Agentic RAG के हो | Weaviate
• Agentic RAG: एजेन्ट-आधारित Retrieval Augmented Generation को पूर्ण गाइड – Generation RAG बाट समाचार
• Agentic RAG: प्रश्न पुनर्संरचना र आत्म-प्रश्नसँग आफ्नो RAG टर्बोचार्ज गर्नुहोस्! Hugging Face Open-Source AI Cookbook
• RAG मा Agentic तहहरू थप्दै
• ज्ञान सहायकहरूको भविष्य: जेरी लियू
• Agentic RAG प्रणाली कसरी निर्माण गर्ने
• Microsoft Foundry Agent सेवा प्रयोग गरेर आफ्नो AI एजेन्टहरू विस्तार गर्ने तरिका

शैक्षिक पेपरहरू

• 2303.17651 Self-Refine: आत्म-प्रतिक्रियासँग पुनरावृत्त सुधार
• 2303.11366 Reflexion: मौखिक प्रत्याशा शिक्षासँग भाषा एजेन्टहरू
• 2305.11738 CRITIC: टूल-इंटरएक्टिभ समिक्षासँग ठूलो भाषा मोडेलहरूले आफैँ सुधार गर्न सक्छन्
• 2501.09136 Agentic Retrieval-Augmented Generation: Agentic RAG मा सर्वेक्षण

अघिल्लो पाठ

टूल प्रयोग डिजाइन ढाँचा

अर्को पाठ

विश्वसनीय AI एजेन्टहरू निर्माण गर्दै

---

प्रतिवेदन: यस दस्तावेजलाई AI अनुवाद सेवा Co-op Translator प्रयोग गरी अनुवाद गरिएको हो। हामी सटीकताको प्रयास गर्छौं भने पनि, कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुनसक्छ। मूल दस्तावेज यसको मूल भाषामा आधिकारिक स्रोत मानिनु पर्छ। महत्वपूर्ण जानकारीको लागि व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट हुने कुनै पनि गलत बुझाइ वा गलत व्याख्याको लागि हामी जिम्मेवार छैनौं।

This site is open source. Improve this page.