ai-agents-for-beginners

(यस पाठको भिडियो हेर्न माथिको तस्वीरमा क्लिक गर्नुहोस्)

एजेन्टिक RAG

यस पाठले एजेन्टिक रिट्रीभल-अग्मेन्टेड जेनेरेशन (Agentic RAG) को व्यापक अवलोकन प्रस्तुत गर्दछ, जुन एउटा उदाउँदो एआई अवधारणा हो जहाँ ठूला भाषा मोडेलहरू (LLMs) स्वतन्त्र रूपमा आफ्नो अर्को कदम योजना गर्छन् र बाह्य स्रोतहरूबाट सूचना सङ्कलन गर्छन्। स्थिर रिट्रीभल-पछि-पढ्ने ढाँचाबाट फरक, एजेन्टिक RAG मा LLM को पुनरावृत्तिकृत कलहरू हुन्छन्, जसलाई औजार वा कार्य कलहरू र संरचित आउटपुटहरू बीच सिँगारिएको हुन्छ। प्रणालीले परिणामहरूको मूल्याङ्कन गर्छ, प्रश्नहरू सुधार गर्छ, आवश्यक परेमा थप औजारहरू कल गर्छ, र यो चक्र तबसम्म जारी राख्छ जबसम्म सन्तोषजनक समाधान हासिल हुँदैन।

परिचय

यस पाठले निम्न कुराहरू समेट्नेछ

• एजेन्टिक RAG बुझ्नुहोस्: बाह्य डाटा स्रोतहरूबाट सूचना खिच्दै ठूला भाषा मोडेलहरू (LLMs) स्वतन्त्र रूपमा आफ्नो अर्को कदम योजना गर्ने उदाउँदो AI अवधारणाबारे जान्नुहोस्।
• पुनरावृत्तिमूलक मेकर-चेकर शैली बुझ्नुहोस्: LLM लाई पुनरावृत्ति कलहरू गर्ने चक्र, औजार वा कार्य कलहरू सहित र संरचित आउटपुटहरू सहितको लूप बुझ्नुहोस्, जसले सटीकता सुधार्छ र बिग्रिएको प्रश्नलाई व्यवस्थापन गर्छ।
• व्यावहारिक आवेदनहरू अन्वेषण गर्नुहोस्: एजेन्टिक RAG जहाँ राम्रो प्रदर्शन गर्छ जस्तै—सटीकता-प्रथम वातावरणहरू, जटिल डाटाबेस अन्तरक्रियाहरू, र विस्तारित कार्यप्रवाहहरू।

सिकाईका लक्ष्यहरू

यस पाठ समाप्त गरेपछि, तपाईं जान्न/बुझ्न सक्नुहुनेछ:

• एजेन्टिक RAG बुझ्ने: बाह्य डाटा स्रोतबाट जानकारी खिच्दै ठूला भाषा मोडेलहरू (LLMs) स्वतन्त्र रूपमा आफ्नो अर्को कदम योजना गर्ने उदाउँदो AI अवधारणाबारे जान्नुहोस्।
• पुनरावृत्तिमूलक मेकर-चेकर शैली: LLM लाई पुनरावृत्त कलहरूको चक्र बुझ्नुहोस्, जसमा औजार वा कार्य कलहरू र संरचित आउटपुटहरू समावेश हुन्छन्, जसले सटीकता सुधार्न र बिग्रिएर आएको प्रश्नलाई व्यवस्थापन गर्न डिजाइन गरिएको छ।
• तर्क प्रक्रिया स्वामित्व गर्नुहोस्: प्रणालीले आफ्नै तर्क प्रक्रियामा स्वामित्व राख्ने, कसरी समस्यालाई अगाडि बढाउने निर्णय गर्ने क्षमता बुझ्नुहोस् जसले पूर्वनिर्धारित बाटोहरूमा निर्भर रहँदैन।
• कार्यप्रवाह: एजेन्टिक मोडेलले स्वतन्त्र रूपमा मार्केट ट्रेन्ड रिपोर्टहरू ल्याउने, प्रतिस्पर्धी तथ्यांक पहिचान गर्ने, आन्तरिक बिक्री मेट्रिक्ससँग समन्वय गर्ने, नतिजा संश्लेषण गर्ने, र रणनीति मूल्याङ्कन गर्ने तरिका बुझ्नुहोस्।
• पुनरावृत्ति लूपहरू, औजार एकीकरण, र मेमोरी: प्रणालीले लूप गरिएको अन्तरक्रिया ढाँचामा निर्भर गर्दछ, कदमहरूमा अवस्था र मेमोरी कायम राख्ने कुरा जान्नुहोस् जसले पुनरावृत्ति लूप टार्छ र सूचित निर्णय लिन मद्दत गर्छ।
• असफलता मोडहरू र स्व-सुधार व्यवस्थापन: प्रणालीको सुदृढ स्व-सुधार मिक्यानिज्महरू अन्वेषण गर्नुहोस् जसले पुनरावृत्ति र पुन: खोज, डायग्नोस्टिक औजारहरू प्रयोग, र मानव निरीक्षणमा फिर्ता जान समेट्छ।
• एजेन्सीको सीमाहरू: एजेन्टिक RAG का सीमाहरू बुझ्नुहोस्, जुन डोमेन-विशिष्ट स्वायत्तता, पूर्वाधार निर्भरता, र सुरक्षा रेखाहरूको सम्मानमा केन्द्रित छन्।
• व्यावहारिक उपयोग केस र मूल्य: एजेन्टिक RAG उत्कृष्ट हुने सन्दर्भहरू पहिचान गर्नुहोस् जस्तै सटीकता-प्रथम वातावरणहरू, जटिल डाटाबेस अन्तरक्रियाहरू, र विस्तारित कार्यप्रवाहहरू।
• शासन, पारदर्शिता, र विश्वास: शासन र पारदर्शिताको महत्व बुझ्नुहोस्, जसमा स्पष्ट तर्क, पूर्वाग्रह नियन्त्रण, र मानव निरीक्षण समावेश छन्।

एजेन्टिक RAG के हो?

एजेन्टिक रिट्रीभल-अग्मेन्टेड जेनेरेशन (Agentic RAG) एउटा उदाउँदो AI अवधारणा हो जहाँ ठूला भाषा मोडेलहरू (LLMs) स्वतन्त्र रूपमा आफ्नो अर्को कदम योजना गर्छन् र बाह्य स्रोतहरूबाट सूचना सङ्कलन गर्छन्। स्थिर रिट्रीभल-पछि-पढ्ने ढाँचाबाट फरक, एजेन्टिक RAG मा LLM को पुनरावृत्त कलहरू हुन्छन्, औजार वा कार्य कलहरू र संरचित आउटपुटहरू बीच सिँगारिएको। प्रणालीले परिणामहरूको मूल्याङ्कन गर्छ, प्रश्नहरू सुधार गर्छ, आवश्यक परे थप औजारहरू कल गर्छ, र यो चक्र तबसम्म जारी राख्छ जबसम्म सन्तोषजनक समाधान प्राप्त हुँदैन। यस पुनरावृत्त “मेकर-चेकर” शैलीले सटीकता सुधार्छ, बिग्रिएका प्रश्नहरूलाई व्यवस्थापन गर्छ, र उच्च-गुणस्तर परिणाम सुनिश्चित गर्छ।

प्रणालीले सक्रिय रूपमा आफ्नो तर्क प्रक्रियामा स्वामित्व लिन्छ, असफल प्रश्नहरू पुनर्लेखन गर्छ, फरक पुनरावृत्ति विधिहरू छनौट गर्छ, र बहु औजारहरू जस्तै Azure AI Search मा भेक्टर खोज, SQL डेटाबेसहरू, वा कस्टम API हरू समावेश गर्छ, अन्तिम उत्तर तयार पार्नुअघि। कुनै एजेन्टिक प्रणालीको भिन्नता त्यो हो कि यसले आफ्नै तर्क प्रक्रियामा स्वामित्व लिन्छ। परम्परागत RAG कार्यान्वयनहरू पूर्व निर्धारण मार्गहरूमा निर्भर हुन्छन्, तर एजेन्टिक प्रणालीले स्वतन्त्र रूपमा फेला पारिएको सूचना गुणस्तरको आधारमा कदमहरूको अनुक्रम निर्धारण गर्छ।

एजेन्टिक रिट्रीभल-अग्मेन्टेड जेनेरेशन (Agentic RAG) परिभाषित गर्दै

एजेन्टिक रिट्रीभल-अग्मेन्टेड जेनेरेशन (Agentic RAG) AI विकासमा एउटा उदाउँदो अवधारणा हो जहाँ LLM हरूले मात्र बाह्य डाटा स्रोतहरूबाट सूचना खिच्दैनन् तर स्वतन्त्र रूपमा आफ्ना आगामी कदमहरू योजना गर्छन्। स्थिर रिट्रीभल-पछि-पढ्ने ढाँचाहरू वा सावधानीपूर्वक स्क्रिप्ट गरिएको प्रॉम्प्ट अनुक्रमहरूबाट फरक, एजेन्टिक RAG मा LLM लाई पुनरावृत्त कलहरूको लूप हुन्छ, औजार वा कार्य कलहरू सहित र संरचित आउटपुटहरू सहित। हरेक चरणमा प्रणालीले प्राप्त परिणामहरूको मूल्याङ्कन गर्छ, प्रश्नलाई सुधार्ने निर्णय गर्छ, आवश्यक भएमा थप औजारहरू कल गर्छ, र जबसम्म सन्तोषजनक समाधान पाउँदैन तबसम्म यो चक्र जारी राख्छ।

यस पुनरावृत्त “मेकर-चेकर” शैलीले सटीकता सुधार्न, संरचित डेटाबेसहरूमा बिग्रिएका प्रश्नहरू (उदाहरणका लागि NL2SQL) व्यवस्थापन गर्न, र सन्तुलित, उच्च-गुणस्तरका परिणाम सुनिश्चित गर्न डिजाइन गरिएको हो। सावधानीपूर्वक तयार पारिएको प्रॉम्प्ट चेनमाथि मात्र निर्भर नभई प्रणाली सक्रिय रूपमा आफ्नो तर्क प्रक्रियामा स्वामित्व लिन्छ। यसले असफल प्रश्नहरू पुनर्लेखन गर्न, फरक पुनरावृत्ति विधिहरू छान्न, र बहु औजारहरू जस्तै Azure AI Search मा भेक्टर खोज, SQL डेटाबेसहरू, वा कस्टम API हरू समावेश गर्न सक्छ, अन्तिम उत्तर तयार पार्नुअघि। यसले अत्यधिक जटिल संयोजन ढाँचाहरूको आवश्यकतालाई हटाउँछ। यसको सट्टामा, “LLM कल → औजार प्रयोग → LLM कल → …” को अपेक्षाकृत सरल लूपले परिष्कृत र राम्रो रूपमा आधारित आउटपुटहरूको सिर्जना गर्न सक्छ।

तर्क प्रक्रियामा स्वामित्व

जसले प्रणालीलाई “एजेन्टिक” बनाउँछ त्यो यसको तर्क प्रक्रियामा स्वामित्व राख्ने क्षमता हो। परम्परागत RAG कार्यान्वयनहरू प्रायः मानवहरूले मोडेलको लागि पूर्वनिर्धारित मार्गमा निर्भर हुन्छन्: एउटा विचार श्रृंखला जसले के र कहिले प्राप्त गर्ने भन्ने कुरा संकेत गर्छ। तर जब प्रणाली साँच्चै एजेन्टिक हुन्छ, यसले आन्तरिक रूपमा समस्या कसरी समाधान गर्ने निर्णय गर्छ। यो केवल स्क्रिप्ट कार्यान्वयन मात्र होइन; यो स्वतन्त्र रूपमा प्राप्त सूचना गुणस्तरको आधारमा कदमहरूको अनुक्रम निर्धारण गर्छ। उदाहरणका लागि, यदि यसलाई उत्पादन सुरु रणनीति बनाउन भनिएको छ भने, यसले सम्पूर्ण अनुसन्धान र निर्णय बनाउनुपर्ने कार्यप्रवाह प्रॉम्प्टमा मात्र निर्भर हुँदैन। बरु, एजेन्टिक मोडेलले स्वतन्त्र रूपमा निर्णय गर्छ:

1. Bing Web Grounding प्रयोग गरेर हालको बजार ट्रेन्ड रिपोर्टहरू पुनःप्राप्त गर्ने
2. Azure AI Search प्रयोग गरेर सान्दर्भिक प्रतिस्पर्धी डाटा पहिचान गर्ने।
3. Azure SQL डाटाबेस प्रयोग गरेर ऐतिहासिक आन्तरिक बिक्री मेट्रिक्सलाई समन्वय गर्ने।
4. Azure OpenAI सेवा मार्फत एकीकृत रणनीतिमा खोजहरू संश्लेषण गर्ने।
5. रणनीतिमा अन्तराल वा असंगतिहरू मूल्याङ्कन गर्ने, आवश्यक परे पुनः प्राप्त गर्ने अर्को चरणको प्रेरणा दिने। यी सबै कदमहरू—प्रश्नहरू परिष्कृत गर्ने, स्रोतहरू छान्ने, जबसम्म उत्तरसँग “खुसी” हुँदैन तबसम्म पुनरावृत्ति गर्ने—मोडेलले स्वयंसँग निर्णय गर्छ, मानवद्वारा पूर्व-स्क्रिप्ट गरिएको छैन।

पुनरावृत्त लूपहरू, औजार एकीकरण, र मेमोरी

एजेन्टिक प्रणालीले लूप गरिएको अन्तरक्रिया ढाँचामा निर्भर गर्दछ:

• सुरुआती कल: प्रयोगकर्ताको लक्ष्य (प्रयोगकर्ता प्रॉम्प्ट) LLM लाई प्रस्तुत गरिन्छ।
• औजार कल: यदि मोडेलले गुमेको जानकारी वा अस्पष्ट निर्देशनहरू पहिचान गर्छ भने, यसले थप सन्दर्भ सङ्कलन गर्न भेक्टर डाटाबेस क्वेरी (जस्तै Azure AI Search Hybrid खोज) वा संरचित SQL कल जस्ता औजार वा पुनरावृत्ति विधि चयन गर्छ।
• मूल्याङ्कन र सुधार: फर्काइएको डाटा समीक्षा गरी मोडेलले सूचना पर्याप्त छ कि छैन निर्णय गर्छ। छैन भने, प्रश्न सुधार्छ, फरक उपकरण प्रयोग गर्छ, वा दृष्टिकोण समायोजन गर्छ।
• सन्तुष्ट नभएसम्म दोहोर्याउनुहोस्: जबसम्म मोडेललाई अन्तिम, राम्रो तर्क गरिएको प्रतिक्रिया दिन पर्याप्त स्पष्टता र प्रमाण प्राप्त हुँदैन तबसम्म यो चक्र जारी रहन्छ।
• मेमोरी र अवस्था: प्रणाली अवस्थामा र मेमोरीलाई कदमहरूमा कायम राख्ने भएकाले यसले अघिल्ला प्रयास र तिनका परिणामहरू सम्झिदछ, पुनरावृत्ति लूपहरू टार्छ र अघि बढ्दा बढी सूचित निर्णय लिन सक्छ।

समयसँगै, यसले बृद्धि हुँदै गरेको बुझाइको भावना सिर्जना गर्दछ, जसले मोडेललाई जटिल, बहु-कदम कार्यहरूमा मानवले निरन्तर हस्तक्षेप वा प्रॉम्प्ट पुनःरूपाङ्कन नगरी नेभिगेट गर्न सक्षम बनाउँछ।

असफलता मोडहरू र स्व-सुधार व्यवस्थापन

एजेन्टिक RAG को स्वायत्ततामा सुदृढ स्व-सुधार मिक्यानिज्महरू पनि समावेश छन्। जब प्रणालीले डेड-एन्डहरूमा पुग्छ—जस्तै अप्रासंगिक कागजातहरू पुनःप्राप्त गर्ने वा बिग्रिएका प्रश्नहरू सामना गर्ने—त्यसले:

• पुनरावृत्ति र पुन: क्वेरी: कम-मूल्य प्रतिक्रिया फर्काउने सट्टा, मोडेलले नयाँ खोज रणनीतिहरू प्रयास गर्छ, डाटाबेस प्रश्नहरू पुनर्लेखन गर्छ, वा वैकल्पिक डाटा सेटहरू हेर्छ।
• डायग्नोस्टिक उपकरणहरू प्रयोग: प्रणालीले आफ्नो तर्क चरणहरू डिबग गर्न वा पुनःप्राप्त गरिएको डाटाको सटीकता पुष्टि गर्न अतिरिक्त कार्यहरू कल गर्न सक्छ। Azure AI Tracing जस्ता उपकरणहरूले सुदृढ अवलोकन र अनुगमन सक्षम पार्नेछन्।
• मानव निरीक्षणमा फिर्ता: उच्च-जोखिम वा बारम्बार असफल परिस्थितिहरूका लागि, मोडेलले अनिश्चितता संकेत गर्न र मानव मार्गदर्शनको अनुरोध गर्न सक्छ। मानव सुधारात्मक प्रतिक्रिया प्रदान गरेपछि मोडेलले त्यो सिकाइ आगामी समयका लागि समावेश गर्न सक्छ।

यस पुनरावृत्त र गतिशील दृष्टिकोणले मोडेललाई निरन्तर सुधार गर्न अनुमति दिन्छ, जसले यसलाई मात्र एकपटक प्रयोग हुने प्रणाली नभई दिइएको सत्रको क्रममा आफ्नो गल्तीबाट सिक्ने प्रणाली बनाउँछ।

एजेंसीका सीमाहरू

कुनै कार्य भित्रको यसको स्वायत्तता बावजुद, एजेन्टिक RAG कृत्रिम सामान्य बुद्धिमत्तासँग समानुपातिक छैन। यसको “एजेन्टिक” क्षमताहरू सीमित छन् मानव विकासकर्ताहरूले प्रदान गरेको औजारहरू, डाटा स्रोतहरू, र नीतिहरू भित्र। यसले आफ्नै औजारहरू आविष्कार गर्न सक्दैन वा सेट गरिएको डोमेन सीमाहरूभन्दा बाहिर जान सक्दैन। बरु, यसले उपलब्ध स्रोतहरूलाई गतिशील रूपमा संयोजन गर्न उत्कृष्ट प्रदर्शन गर्छ। थप उन्नत AI स्वरूपहरूबाट मुख्य भिन्नताहरू:

1. डोमेन-विशिष्ट स्वायत्तता: एजेन्टिक RAG प्रणालीहरू प्रयोगकर्ताद्वारा परिभाषित लक्ष्यहरू प्राप्त गर्न ज्ञात डोमेन भित्र केन्द्रित छन्, क्वेरी पुनर्लेखन वा औजार छनौट गर्न जस्ता रणनीतिहरू प्रयोग गरेर परिणाम सुधार गर्छन्।
2. पूर्वाधार-निर्भर: प्रणालीका क्षमताहरू विकासकर्ताहरूले समावेश गरेका औजार र डाटामा निर्भर छन्। यी सीमाहरू बिना मानव हस्तक्षेप विस्तार गर्न सक्दैन।
3. सुरक्षा रेखाको सम्मान: नैतिक दिशानिर्देशहरू, अनुपालन नियमहरू, र व्यापार नीतिहरू अत्यन्त महत्त्वपूर्ण रहन्छन्। एजेन्टको स्वतन्त्रता सधैं सुरक्षा उपायहरू र निगरानी मिक्यानिज्मले सीमित हुन्छ (आशा छ?)

व्यावहारिक उपयोग केस र मूल्य

एजेन्टिक RAG पुनरावृत्ति सुधार र सटीकता आवश्यक पर्ने परिदृश्यहरूमा उत्कृष्ट प्रदर्शन गर्छ:

1. सटीकता-प्रथम वातावरणहरू: अनुपालन जाँच, नियामक विश्लेषण, वा कानुनी अनुसन्धानमा, एजेन्टिक मोडेलले तथ्यहरू बारम्बार प्रमाणित गर्न सक्छ, धेरै स्रोतहरू परामर्श गर्न सक्छ, र प्रश्नहरू पुनर्लेखन गर्दै पूर्ण रूपमा परीक्षण गरिएको उत्तर उत्पादन गर्दछ।
2. जटिल डाटाबेस अन्तरक्रिया: जब संरचित डाटासँग व्यवहार गर्दा प्रश्नहरू प्रायः असफल हुन सक्छन् वा समायोजन आवश्यक पर्न सक्छ, प्रणालीले स्वतन्त्र रूपमा Azure SQL वा Microsoft Fabric OneLake प्रयोग गरेर प्रश्नहरू परिष्कृत गर्न सक्छ, अन्तिम पुनःप्राप्ति प्रयोगकर्ताको उद्देश्यसँग मेल खान सुनिश्चित गर्दै।
3. विस्तारित कार्यप्रवाहहरू: लामो सत्रहरू नयाँ सूचना सतहमा आउँँदा विकसित हुन सक्छन्। एजेन्टिक RAGले निरन्तर नयाँ डाटा समावेश गर्न सक्छ, समस्याको क्षेत्रबारे थप जान्दै रणनीतिहरू परिवर्तन गर्छ।

शासन, पारदर्शिता, र विश्वास

यी प्रणालीहरू अधिक स्वायत्त हुँदै जाँदा तर्कमा, शासन र पारदर्शिता अत्यन्त जरुरी हुन्छन्:

• व्याख्यायोग्य तर्क: मोडेलले गरेका प्रश्नहरू, परामर्श गरिएका स्रोतहरू, र आफ्नो निष्कर्षसम्म पुग्न लिएका तर्कका चरणहरूको अडिट ट्रेल प्रदान गर्न सक्छ। Azure AI Content Safety र Azure AI Tracing / GenAIOps जस्ता उपकरणहरूले पारदर्शिता कायम राख्न र जोखिम कम गर्न मद्दत गर्छन्।
• पूर्वाग्रह नियन्त्रण र सन्तुलित पुनःप्राप्ति: विकासकर्ताहरूले पुनःप्राप्ति रणनीतिहरूलाई समायोजन गर्न सक्छन् ताकि सन्तुलित, प्रतिनिधिमूलक डाटा स्रोतहरू विचार गरियोस्, र नियमित रूपमा आउटपुटहरूको अडिट गरेर Azure Machine Learning मार्फत उन्नत डेटा विज्ञान संगठनहरूका लागि पूर्वाग्रह वा विकृत ढाँचाहरू पत्ता लगाइयोस्।
• मानव निरीक्षण र अनुपालन: संवेदनशील कामहरूका लागि मानव समीक्षा आवश्यक रहन्छ। एजेन्टिक RAG मानव निर्णय क्षमतालाई प्रतिस्थापन गर्दैन—यो बढी परीक्षण गरिएको विकल्पहरू प्रदान गरेर त्यसलाई बढावा दिन्छ।

कार्यहरूको स्पष्ट अभिलेख दिने उपकरणहरू हुनु अत्यावश्यक हुन्छ। ती बिना, बहु-कदम प्रक्रियाको डिबगिङ्ग धेरै कठिन हुन सक्छ। Literal AI (Chainlit पछाडिको कम्पनी) बाट एउटा एजेन्ट रनको निम्न उदाहरण हेर्नुहोस्:

निष्कर्ष

एजेन्टिक RAGले AI प्रणालीहरू जटिल, डाटा-गहन कार्यहरू कसरी सम्हाल्छन् भन्ने कुरामा प्राकृतिक विकासलाई प्रतिनिधित्व गर्छ। एक लूप गरिएको अन्तरक्रिया ढाँचा अपनाएर, स्वतन्त्र रूपमा औजारहरू छनौट गरेर, र उच्च-गुणस्तर परिणाम प्राप्त नभएसम्म प्रश्नहरू परिष्कृत गर्दै प्रणाली स्थिर प्रॉम्प्ट पछ्याउने बाटोबाट बाहिर निस्कन्छ र थप अनुकूल, सन्दर्भ-ज्ञानी निर्णयकर्तामा परिणत हुन्छ। यद्यपि अझै मानवले परिभाषित पूर्वाधार र नैतिक दिशानिर्देशहरूबाट सीमित, यी एजेन्टिक क्षमताले उद्यम र अन्तिम प्रयोगकर्ताहरू दुबैका लागि धनी, गतिशील, र अन्ततः उपयोगी AI अन्तरक्रियाहरू सक्षम पार्छ।

एजेन्टिक RAG सम्बन्धमा थप प्रश्नहरू छन्?

अन्य सिक्नेहरूसँग भेट्न, कार्यालय समयहरूमा भाग लिन, र तपाईंका AI एजेन्ट सम्बन्धी प्रश्नहरूको उत्तर पाउन Microsoft Foundry Discord मा सामेल हुनुहोस्।

थप स्रोतहरू

• Azure OpenAI सेवा संग आफ्नै डाटा प्रयोग गरेर Retrieval Augmented Generation (RAG) कार्यान्वयन गर्ने: Azure OpenAI सेवासहित आफ्नै डाटा कसरी प्रयोग गर्ने जान्नुहोस्। यस Microsoft Learn मोड्युलले RAG कार्यान्वयनमा व्यापक मार्गदर्शन प्रदान गर्दछ
• Microsoft Foundry संग जनरेटिभ AI अनुप्रयोगहरूको मूल्याङ्कन: यस लेखले सार्वजनिक रूपमा उपलब्ध डाटासेटहरूमा मोडेलहरूको मूल्याङ्कन र तुलना समेट्छ, जसमा एजेन्टिक AI अनुप्रयोगहरू र RAG संरचनाहरू समावेश छन्
• एजेन्टिक RAG के हो | Weaviate

• Agentic RAG: एजेन्ट आधारित Retrieval Augmented Generation को पूर्ण मार्गदर्शिका – generation RAG बाट समाचार

• Agentic RAG: क्वेरी पुन:सूचना र स्व-क्वेरी सहित आफ्नो RAG लाई टर्बोचार्ज गर्नुहोस्! Hugging Face खुला-स्रोत AI कुकबुक
• RAG मा Agentic तहहरू थप्दै
• ज्ञान सहायकहरूको भविष्य: जेरी लिउ
• Agentic RAG प्रणालीहरू कसरी बनाउने
• Microsoft Foundry Agent Service प्रयोग गरेर तपाईंका AI एजेन्टहरूलाई स्केल गर्ने

शैक्षिक कागजातहरू

• 2303.17651 Self-Refine: स्व-प्रतिपुष्टिसहित आवधिक सुधार
• 2303.11366 Reflexion: मौखिक सुदृढीकरण सिकाइ सहित भाषा एजेन्टहरू
• 2305.11738 CRITIC: उपकरण-इन्टरएक्टिव समिक्षाका साथ ठूलो भाषा मोडेलहरूले आफैंलाई सुधार गर्न सक्छन्
• 2501.09136 Agentic Retrieval-Augmented Generation: Agentic RAG मा एक सर्वेक्षण

यस एजेन्टलाई स्मोक-टेस्ट गर्ने (वैकल्पिक)

Lesson 16 मा एजेन्टहरू तैनाथ गर्न सिकिसकेपछि, तपाईं यस पाठको TravelRAGAgent लाई स्मोक-टेस्ट गर्न सक्नुहुन्छ — यसको उत्तरहरू ज्ञान आधारमा आधारित छन् कि छैनन् भनेर जाँच्ने — tests/lesson-05-smoke-tests.json प्रयोग गरेर। यसलाई कसरी चलाउने भनेर जान्न tests/README.md हेर्नुहोस्।

अघिल्लो पाठ

टूल प्रयोग डिजाइन ढाँचा

अर्को पाठ

विश्वसनीय AI एजेन्टहरू बनाउँदै

---

अस्वीकरण: यो दस्तावेज़ AI अनुवाद सेवा Co-op Translator प्रयोग गरेर अनुवाद गरिएको हो। हामी सही हुन प्रयास गर्छौं, तर कृपया जानकार हुनुस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। मूल दस्तावेज़ यसको मूल भाषामा आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न कुनै पनि गलत बुझाइ वा त्रुटिको लागि हामी जिम्मेवार छैनौं।

This site is open source. Improve this page.