ai-agents-for-beginners

(माथिको चित्रमा क्लिक गरेर यस पाठको भिडियो हेर्नुहोस्)

Agentic RAG

यो पाठले Agentic Retrieval-Augmented Generation (Agentic RAG) को विस्तृत अवलोकन प्रदान गर्दछ, जुन एक उदाउँदो AI प्रविधि हो जहाँ ठूला भाषा मोडेलहरू (LLMs) स्वतन्त्र रूपमा आफ्नो अर्को कदम योजना गर्छन् र बाह्य स्रोतहरूबाट जानकारी लिन्छन्। स्थिर retrieval-then-read ढाँचाहरूको विपरीत, Agentic RAG ले LLM लाई बारम्बार बोलाउने, उपकरण वा कार्यहरू प्रयोग गर्ने, र संरचित आउटपुटहरू समावेश गर्ने प्रक्रिया समावेश गर्दछ। प्रणालीले परिणामहरूको मूल्याङ्कन गर्छ, प्रश्नहरू सुधार्छ, आवश्यक परे थप उपकरणहरू प्रयोग गर्छ, र सन्तोषजनक समाधान प्राप्त नभएसम्म यो चक्र जारी राख्छ।

परिचय

यो पाठले निम्न विषयहरू समेट्छ:

• Agentic RAG बुझ्नुहोस्: ठूला भाषा मोडेलहरू (LLMs) स्वतन्त्र रूपमा आफ्नो अर्को कदम योजना गर्ने र बाह्य डेटा स्रोतहरूबाट जानकारी लिने AI को उदाउँदो प्रविधि बारे जान्नुहोस्।
• Iterative Maker-Checker शैली बुझ्नुहोस्: LLM लाई बारम्बार बोलाउने, उपकरण वा कार्यहरू प्रयोग गर्ने, र संरचित आउटपुटहरू समावेश गर्ने चक्रको अवधारणा बुझ्नुहोस्, जसले सहीता सुधार गर्न र गलत प्रश्नहरूलाई व्यवस्थापन गर्न डिजाइन गरिएको छ।
• व्यावहारिक प्रयोगहरू अन्वेषण गर्नुहोस्: Agentic RAG उत्कृष्ट हुने परिदृश्यहरू पहिचान गर्नुहोस्, जस्तै सहीता-प्रथम वातावरणहरू, जटिल डाटाबेस अन्तर्क्रियाहरू, र विस्तारित कार्यप्रवाहहरू।

सिक्ने लक्ष्यहरू

यो पाठ पूरा गरेपछि, तपाईंले निम्न कुरा जान्नुहुनेछ/बुझ्नुहुनेछ:

• Agentic RAG बुझ्नुहोस्: ठूला भाषा मोडेलहरू (LLMs) स्वतन्त्र रूपमा आफ्नो अर्को कदम योजना गर्ने र बाह्य डेटा स्रोतहरूबाट जानकारी लिने AI को उदाउँदो प्रविधि बारे जान्नुहोस्।
• Iterative Maker-Checker शैली: सहीता सुधार गर्न र गलत प्रश्नहरूलाई व्यवस्थापन गर्न डिजाइन गरिएको चक्रको अवधारणा बुझ्नुहोस्।
• तर्क प्रक्रियाको स्वामित्व: प्रणालीले आफ्नो तर्क प्रक्रियाको स्वामित्व लिने क्षमता बुझ्नुहोस्, पूर्व-परिभाषित मार्गहरूमा निर्भर नगरी समस्याहरूलाई कसरी समाधान गर्ने निर्णय लिन्छ।
• कार्यप्रवाह: Agentic मोडेलले स्वतन्त्र रूपमा बजार प्रवृत्ति रिपोर्टहरू प्राप्त गर्ने, प्रतिस्पर्धी डेटा पहिचान गर्ने, आन्तरिक बिक्री मेट्रिक्ससँग सम्बन्धित गर्ने, निष्कर्षहरू संश्लेषण गर्ने, र रणनीति मूल्याङ्कन गर्ने निर्णय कसरी लिन्छ भन्ने कुरा बुझ्नुहोस्।
• Iterative चक्रहरू, उपकरण एकीकरण, र मेमोरी: प्रणालीले बारम्बार चक्रहरूबाट बच्न र सूचित निर्णयहरू लिन चरणहरूमा राज्य र मेमोरी कायम राख्ने लूप अन्तर्क्रिया ढाँचामा निर्भर गर्दछ भन्ने कुरा जान्नुहोस्।
• असफलता मोडहरू व्यवस्थापन र आत्म-सुधार: प्रणालीको बलियो आत्म-सुधार संयन्त्रहरू अन्वेषण गर्नुहोस्, जसमा पुनरावृत्ति र पुनःप्रश्न सोध्ने, डायग्नोस्टिक उपकरणहरू प्रयोग गर्ने, र मानव निरीक्षणमा निर्भर हुने समावेश छ।
• एजेंसीको सीमा: Agentic RAG को सीमाहरू बुझ्नुहोस्, डोमेन-विशिष्ट स्वतन्त्रता, पूर्वाधार निर्भरता, र सुरक्षा उपायहरूको सम्मानमा केन्द्रित।
• व्यावहारिक प्रयोगहरू र मूल्य: Agentic RAG उत्कृष्ट हुने परिदृश्यहरू पहिचान गर्नुहोस्, जस्तै सहीता-प्रथम वातावरणहरू, जटिल डाटाबेस अन्तर्क्रियाहरू, र विस्तारित कार्यप्रवाहहरू।
• शासन, पारदर्शिता, र विश्वास: शासन र पारदर्शिताको महत्त्व बारे जान्नुहोस्, जसमा व्याख्यात्मक तर्क, पूर्वाग्रह नियन्त्रण, र मानव निरीक्षण समावेश छ।

Agentic RAG के हो?

Agentic Retrieval-Augmented Generation (Agentic RAG) एक उदाउँदो AI प्रविधि हो जहाँ ठूला भाषा मोडेलहरू (LLMs) स्वतन्त्र रूपमा आफ्नो अर्को कदम योजना गर्छन् र बाह्य स्रोतहरूबाट जानकारी लिन्छन्। स्थिर retrieval-then-read ढाँचाहरूको विपरीत, Agentic RAG ले LLM लाई बारम्बार बोलाउने, उपकरण वा कार्यहरू प्रयोग गर्ने, र संरचित आउटपुटहरू समावेश गर्ने प्रक्रिया समावेश गर्दछ। प्रणालीले परिणामहरूको मूल्याङ्कन गर्छ, प्रश्नहरू सुधार्छ, आवश्यक परे थप उपकरणहरू प्रयोग गर्छ, र सन्तोषजनक समाधान प्राप्त नभएसम्म यो चक्र जारी राख्छ।

यो पुनरावृत्त “maker-checker” शैलीले सहीता सुधार गर्न, गलत प्रश्नहरूलाई व्यवस्थापन गर्न, र उच्च-गुणस्तरको परिणाम सुनिश्चित गर्न डिजाइन गरिएको छ। प्रणालीले आफ्नो तर्क प्रक्रियाको स्वामित्व लिन्छ, असफल प्रश्नहरू पुनःलेखन गर्छ, विभिन्न पुनःप्राप्ति विधिहरू चयन गर्छ, र अन्तिम उत्तर दिनु अघि धेरै उपकरणहरू—जस्तै Azure AI Search मा भेक्टर खोज, SQL डाटाबेस, वा कस्टम APIs—एकीकृत गर्छ।

Agentic Retrieval-Augmented Generation (Agentic RAG) को परिभाषा

Agentic Retrieval-Augmented Generation (Agentic RAG) AI विकासमा एक उदाउँदो प्रविधि हो जहाँ LLMs ले बाह्य डेटा स्रोतहरूबाट जानकारी मात्र लिने होइन, स्वतन्त्र रूपमा आफ्नो अर्को कदम योजना पनि गर्छन्। स्थिर retrieval-then-read ढाँचाहरू वा सावधानीपूर्वक स्क्रिप्ट गरिएको प्रम्प्ट अनुक्रमहरूको विपरीत, Agentic RAG ले LLM लाई बारम्बार बोलाउने, उपकरण वा कार्यहरू प्रयोग गर्ने, र संरचित आउटपुटहरू समावेश गर्ने चक्र समावेश गर्दछ। प्रत्येक चरणमा, प्रणालीले प्राप्त परिणामहरूको मूल्याङ्कन गर्छ, प्रश्नहरू सुधार्ने निर्णय लिन्छ, आवश्यक परे थप उपकरणहरू प्रयोग गर्छ, र सन्तोषजनक समाधान प्राप्त नभएसम्म यो चक्र जारी राख्छ।

यो पुनरावृत्त “maker-checker” शैलीले सहीता सुधार गर्न, गलत प्रश्नहरूलाई व्यवस्थापन गर्न, र उच्च-गुणस्तरको परिणाम सुनिश्चित गर्न डिजाइन गरिएको छ। प्रणालीले आफ्नो तर्क प्रक्रियाको स्वामित्व लिन्छ, असफल प्रश्नहरू पुनःलेखन गर्छ, विभिन्न पुनःप्राप्ति विधिहरू चयन गर्छ, र अन्तिम उत्तर दिनु अघि धेरै उपकरणहरू—जस्तै Azure AI Search मा भेक्टर खोज, SQL डाटाबेस, वा कस्टम APIs—एकीकृत गर्छ।

तर्क प्रक्रियाको स्वामित्व

एजेन्टिक प्रणालीलाई “agentic” बनाउने मुख्य गुण यसको तर्क प्रक्रियाको स्वामित्व लिने क्षमता हो। परम्परागत RAG कार्यान्वयनहरू प्रायः मोडेलको लागि मानवद्वारा पूर्व-परिभाषित मार्गमा निर्भर हुन्छन्: के पुनःप्राप्त गर्ने र कहिले गर्ने भन्ने कुरा outlines गर्ने chain-of-thought। तर जब प्रणाली वास्तवमै agentic हुन्छ, यसले आन्तरिक रूपमा समस्या समाधान गर्ने तरिका निर्णय गर्छ। यो केवल स्क्रिप्ट कार्यान्वयन गरिरहेको छैन; यो स्वतन्त्र रूपमा प्राप्त जानकारीको गुणस्तरको आधारमा चरणहरूको क्रम निर्धारण गरिरहेको छ।

उदाहरणका लागि, यदि यसलाई उत्पादन प्रक्षेपण रणनीति सिर्जना गर्न भनिएको छ भने, यसले सम्पूर्ण अनुसन्धान र निर्णय-निर्माण कार्यप्रवाहलाई spelling out गर्ने प्रम्प्टमा मात्र निर्भर गर्दैन। यसको सट्टा, agentic मोडेल स्वतन्त्र रूपमा निर्णय गर्छ:

1. Bing Web Grounding प्रयोग गरेर वर्तमान बजार प्रवृत्ति रिपोर्टहरू पुनःप्राप्त गर्नुहोस्।
2. Azure AI Search प्रयोग गरेर सम्बन्धित प्रतिस्पर्धी डेटा पहिचान गर्नुहोस्।
3. Azure SQL Database प्रयोग गरेर ऐतिहासिक आन्तरिक बिक्री मेट्रिक्ससँग सम्बन्धित गर्नुहोस्।
4. Azure OpenAI Service मार्फत समन्वय गरिएको रणनीतिमा निष्कर्षहरू संश्लेषण गर्नुहोस्।
5. रणनीतिमा gaps वा असंगतता मूल्याङ्कन गर्नुहोस्, आवश्यक परे पुनःप्राप्तिको अर्को चरणलाई प्रेरित गर्दै।

यी सबै चरणहरू—प्रश्नहरू सुधार्ने, स्रोतहरू चयन गर्ने, उत्तरमा “सन्तुष्ट” नभएसम्म पुनरावृत्ति गर्ने—मोडेलले निर्णय गर्छ, मानवद्वारा पूर्व-स्क्रिप्ट गरिएको छैन।

पुनरावृत्त चक्रहरू, उपकरण एकीकरण, र मेमोरी

एजेन्टिक प्रणालीले लूप अन्तर्क्रिया ढाँचामा निर्भर गर्दछ:

• प्रारम्भिक कल: प्रयोगकर्ताको लक्ष्य (उर्फ प्रयोगकर्ता प्रम्प्ट) LLM लाई प्रस्तुत गरिन्छ।
• उपकरण प्रयोग: यदि मोडेलले हराएको जानकारी वा अस्पष्ट निर्देशनहरू पहिचान गर्छ भने, यो उपकरण वा पुनःप्राप्ति विधि चयन गर्छ—जस्तै भेक्टर डाटाबेस क्वेरी (उदाहरणका लागि Azure AI Search Hybrid search निजी डेटा माथि) वा संरचित SQL कल—थप सन्दर्भ प्राप्त गर्न।
• मूल्याङ्कन र सुधार: फिर्ता गरिएको डेटा समीक्षा गरेपछि, मोडेलले जानकारी पर्याप्त छ कि छैन भन्ने निर्णय गर्छ। यदि छैन भने, यो प्रश्न सुधार्छ, अर्को उपकरण प्रयास गर्छ, वा आफ्नो दृष्टिकोण समायोजन गर्छ।
• सन्तुष्ट नभएसम्म दोहोर्याउनुहोस्: यो चक्र मोडेलले अन्तिम, राम्रोसँग तर्क गरिएको प्रतिक्रिया दिन पर्याप्त स्पष्टता र प्रमाण छ भन्ने निर्धारण नगरेसम्म जारी रहन्छ।
• मेमोरी र अवस्था: प्रणालीले चरणहरूमा राज्य र मेमोरी कायम राख्ने भएकाले, यसले अघिल्लो प्रयासहरू र तिनीहरूको परिणामहरू सम्झन सक्छ, बारम्बार चक्रहरूबाट बच्न सक्छ, र अगाडि बढ्दै गर्दा थप सूचित निर्णयहरू लिन सक्छ।

समयसँगै, यसले विकसित समझको भावना सिर्जना गर्छ, मोडेललाई जटिल, बहु-चरण कार्यहरू नेभिगेट गर्न सक्षम बनाउँछ, मानवले निरन्तर हस्तक्षेप गर्न वा प्रम्प्टलाई पुनःआकार दिन आवश्यक पर्दैन।

असफलता मोडहरू व्यवस्थापन र आत्म-सुधार

Agentic RAG को स्वतन्त्रता बलियो आत्म-सुधार संयन्त्रहरू पनि समावेश गर्दछ। जब प्रणालीले dead ends भेट्छ—जस्तै अप्रासंगिक कागजातहरू पुनःप्राप्त गर्ने वा गलत प्रश्नहरू सामना गर्ने—यसले निम्न कार्यहरू गर्न सक्छ:

• पुनरावृत्ति र पुनःप्रश्न सोध्नुहोस्: कम मूल्यका प्रतिक्रियाहरू फिर्ता गर्ने सट्टा, मोडेलले नयाँ खोज रणनीतिहरू प्रयास गर्छ, डाटाबेस प्रश्नहरू पुनःलेखन गर्छ, वा वैकल्पिक डेटा सेटहरू हेर्छ।
• डायग्नोस्टिक उपकरणहरू प्रयोग गर्नुहोस्: प्रणालीले आफ्नो तर्क चरणहरू डिबग गर्न वा पुनःप्राप्त डेटा सही छ कि छैन भनेर पुष्टि गर्न डिजाइन गरिएको थप कार्यहरू बोलाउन सक्छ। Azure AI Tracing जस्ता उपकरणहरू बलियो observability र monitoring सक्षम गर्न महत्त्वपूर्ण हुनेछ।
• मानव निरीक्षणमा निर्भर गर्नुहोस्: उच्च-जोखिम वा बारम्बार असफल परिदृश्यहरूको लागि, मोडेलले अनिश्चितता झण्डा लगाउन सक्छ र मानव मार्गदर्शन अनुरोध गर्न सक्छ। एकपटक मानवले सुधारात्मक प्रतिक्रिया प्रदान गरेपछि, मोडेलले त्यो पाठलाई अगाडि समावेश गर्न सक्छ।

यो पुनरावृत्त र गतिशील दृष्टिकोणले मोडेललाई निरन्तर सुधार गर्न अनुमति दिन्छ, सुनिश्चित गर्दै कि यो केवल एक-शट प्रणाली होइन तर एक यस्तो प्रणाली हो जसले दिइएको सत्रको क्रममा आफ्ना गल्तीहरूबाट सिक्छ।

एजेंसीको सीमा

कार्यको भित्र स्वतन्त्रता भए पनि, Agentic RAG कृत्रिम सामान्य बुद्धिमत्तासँग समान छैन। यसको “agentic” क्षमता मानव विकासकर्ताहरूले प्रदान गरेका उपकरणहरू, डेटा स्रोतहरू, र नीतिहरूमा सीमित छ। यसले आफ्नै उपकरणहरू आविष्कार गर्न सक्दैन वा सेट गरिएका डोमेन सीमाहरू बाहिर जान सक्दैन। बरु, यो हातमा रहेका स्रोतहरूलाई गतिशील रूपमा समन्वय गर्न उत्कृष्ट छ।

व्यावहारिक प्रयोगहरू र मूल्य

Agentic RAG निम्न परिदृश्यहरूमा उत्कृष्ट छ:

1. सहीता-प्रथम वातावरणहरू: अनुपालन जाँच, नियामक विश्लेषण, वा कानुनी अनुसन्धानमा, agentic मोडेलले तथ्यहरू बारम्बार प्रमाणित गर्न सक्छ, धेरै स्रोतहरू परामर्श गर्न सक्छ, र पूर्ण रूपमा जाँच गरिएको उत्तर उत्पादन गर्न प्रश्नहरू पुनःलेखन गर्न सक्छ।
2. जटिल डाटाबेस अन्तर्क्रियाहरू: संरचित डेटा संग व्यवहार गर्दा जहाँ प्रश्नहरू प्रायः असफल हुन सक्छ वा समायोजन आवश्यक पर्छ, प्रणालीले स्वतन्त्र रूपमा Azure SQL वा Microsoft Fabric OneLake प्रयोग गरेर प्रश्नहरू सुधार गर्न सक्छ, सुनिश्चित गर्दै कि अन्तिम पुनःप्राप्ति प्रयोगकर्ताको उद्देश्यसँग मेल खान्छ।
3. विस्तारित कार्यप्रवाहहरू: नयाँ जानकारी सतहमा आउँदा लामो समयसम्म चल्ने सत्रहरू विकसित हुन सक्छ। Agentic RAG ले लगातार नयाँ डेटा समावेश गर्न सक्छ, समस्या स्थानको बारेमा थप सिक्दै रणनीतिहरू परिवर्तन गर्दै।

शासन, पारदर्शिता, र विश्वास

यी प्रणालीहरू तर्कमा स्वतन्त्र हुँदै जाँदा, शासन र पारदर्शिता महत्त्वपूर्ण छन्:

• व्याख्यात्मक तर्क: मोडेलले यसले गरेका प्रश्नहरूको अडिट ट्रेल, यसले परामर्श गरेका स्रोतहरू, र यसले निष्कर्षमा पुग्न लिएका तर्क चरणहरू प्रदान गर्न सक्छ। Azure AI Content Safety र Azure AI Tracing / GenAIOps जस्ता उपकरणहरूले पारदर्शिता कायम राख्न र जोखिमहरू कम गर्न मद्दत गर्न सक्छ।
• पूर्वाग्रह नियन्त्रण र सन्तुलित पुनःप्राप्ति: विकासकर्ताहरूले पुनःप्राप्ति रणनीतिहरू ट्युन गर्न सक्छन् ताकि सन्तुलित, प्रतिनिधि डेटा स्रोतहरू विचार गरिन्छ, र आउटपुटहरू नियमित रूपमा अडिट गर्न पूर्वाग्रह वा skewed patterns पत्ता लगाउन सक्छन्।
• मानव निरीक्षण र अनुपालन: संवेदनशील कार्यहरूको लागि, मानव समीक्षा आवश्यक रहन्छ। Agentic RAG उच्च-जोखिम निर्णयहरूमा मानव निर्णयलाई प्रतिस्थापन गर्दैन—यसले थप पूर्ण रूपमा जाँच गरिएको विकल्पहरू प्रदान गरेर यसलाई बढाउँछ।

निष्कर्ष

Agentic RAG जटिल, डेटा-गहन कार्यहरूलाई कसरी AI प्रणालीहरूले व्यवस्थापन गर्छन् भन्ने कुरामा प्राकृतिक विकासको प्रतिनिधित्व गर्दछ। लूप अन्तर्क्रिया ढाँचालाई अपनाएर, स्वतन्त्र रूपमा उपकरणहरू चयन गरेर, र उच्च-गुणस्तरको परिणाम प्राप्त नभएसम्म प्रश्नहरू सुधार गरेर, प्रणाली स्थिर प्रम्प्ट-पालनबाट पर जान्छ र थप अनुकूलनशील, सन्दर्भ-सचेत निर्णयकर्ता बन्छ।

Agentic RAG बारे थप प्रश्नहरू छन्?

Azure AI Foundry Discord मा सामेल हुनुहोस् अन्य सिक्नेहरूसँग भेट्न, कार्यालय समयमा भाग लिन, र आफ्नो AI Agents सम्बन्धी प्रश्नहरूको उत्तर प्राप्त गर्न। Azure OpenAI सेवा प्रयोग गरेर Retrieval Augmented Generation (RAG) कार्यान्वयन गर्नुहोस्: Azure OpenAI सेवा प्रयोग गरेर आफ्नै डाटा कसरी प्रयोग गर्ने भन्ने जान्नुहोस्। यो Microsoft Learn मोड्युलले RAG कार्यान्वयन गर्नका लागि विस्तृत मार्गदर्शन प्रदान गर्दछ।

• Azure AI Foundry सँग जनरेटिभ AI अनुप्रयोगहरूको मूल्यांकन: यो लेखले सार्वजनिक रूपमा उपलब्ध डाटासेटहरूमा मोडेलहरूको मूल्यांकन र तुलना, Agentic AI अनुप्रयोगहरू र RAG आर्किटेक्चरहरू समेट्छ।
• Agentic RAG के हो | Weaviate
• Agentic RAG: एजेन्ट-आधारित Retrieval Augmented Generation को लागि पूर्ण मार्गदर्शन – Generation RAG बाट समाचार
• Agentic RAG: आफ्नो RAG लाई क्वेरी सुधार र सेल्फ-क्वेरीको साथ टर्बोचार्ज गर्नुहोस्! Hugging Face ओपन-सोर्स AI कुकबुक
• RAG मा Agentic तहहरू थप्दै
• ज्ञान सहायकहरूको भविष्य: जेरी लिउ
• Agentic RAG प्रणालीहरू कसरी निर्माण गर्ने
• तपाईंको AI एजेन्टहरूलाई स्केल गर्न Azure AI Foundry Agent सेवा प्रयोग गर्दै

शैक्षिक लेखहरू

• 2303.17651 Self-Refine: आत्म-प्रतिक्रिया सहित पुनरावृत्त सुधार
• 2303.11366 Reflexion: भाषागत एजेन्टहरूमा मौखिक सुदृढीकरण शिक्षण
• 2305.11738 CRITIC: ठूला भाषा मोडेलहरूले उपकरण-आधारित समीक्षासँग आत्म-सुधार गर्न सक्छन्
• 2501.09136 Agentic Retrieval-Augmented Generation: Agentic RAG मा सर्वेक्षण

अघिल्लो पाठ

उपकरण प्रयोग डिजाइन ढाँचा

अर्को पाठ

विश्वसनीय AI एजेन्टहरू निर्माण गर्दै

---

अस्वीकरण:
यो दस्तावेज़ AI अनुवाद सेवा Co-op Translator प्रयोग गरेर अनुवाद गरिएको छ। हामी यथासम्भव शुद्धता सुनिश्चित गर्न प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।

This site is open source. Improve this page.