ai-agents-for-beginners

(ਇਸ ਪਾਠ ਦਾ ਵੀਡੀਓ ਵੇਖਣ ਲਈ ਉਪਰ ਦਿੱਤੀ ਤਸਵੀਰ ‘ਤੇ ਕਲਿਕ ਕਰੋ)

Agentic RAG

ਇਹ ਪਾਠ Agentic Retrieval-Augmented Generation (Agentic RAG) ਦਾ ਵਿਸਤ੍ਰਿਤ ਵੇਰਵਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜੋ ਇੱਕ ਉਭਰਦਾ ਹੋਇਆ AI ਪੈਰਾਡਾਇਮ ਹੈ ਜਿੱਥੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (LLMs) ਖੁਦਮੁਖਤਿਆਰ ਆਪਣੇ ਅਗਲੇ ਕਦਮਾਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ ਜਦੋਂ ਕਿ ਬਾਹਰੀ ਸਰੋਤਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਖਿੱਚ ਰਹੇ ਹੁੰਦੇ ਹਨ। ਸਥਿਰ retrieval-then-read ਪੈਟਰਨ ਦੀ ਬਜਾਏ, Agentic RAG LLM ਨੂੰ ਮੁੜ-ਮੁੜ ਕਾਲ ਕਰਨ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਟੂਲ ਜਾਂ ਫੰਕਸ਼ਨ ਕਾਲਾਂ ਅਤੇ ਸੰਗਠਿਤ ਆਉਟਪੁੱਟ ਵੀ ਹੁੰਦੇ ਹਨ। ਸਿਸਟਮ ਨਤੀਜੇ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ, ਸਵਾਲਾਂ ਨੂੰ ਸੁਧਾਰਦਾ ਹੈ, ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਹੋਰ ਟੂਲ ਬੁਲਾਂਦਾ ਹੈ ਅਤੇ ਇਹ ਚੱਕਰ ਤੱਕ ਚਲਦਾ ਹੈ ਜਦ ਤੱਕ ਕੋਈ ਸੰਤੋਸ਼ਜਨਕ ਹੱਲ ਨਹੀਂ ਮਿਲ ਜਾਂਦਾ।

ਪਰਿਚਯ

ਇਹ ਪਾਠ ਇਹ ਕਵਰ ਕਰੇਗਾ

• Agentic RAG ਨੂੰ ਸਮਝੋ: AI ਵਿੱਚ ਉਭਰਦੇ ਪੈਰਾਡਾਇਮ ਬਾਰੇ ਸਿੱਖੋ ਜਿੱਥੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (LLMs) ਖੁਦਮੁਖਤਿਆਰ اپنے ਅਗਲੇ ਕਦਮਾਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ ਅਤੇ ਬਾਹਰੀ ਡਾਟਾ ਸਰੋਤਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਖਿੱਚਦੇ ਹਨ।
• ITERATIVE Maker-Checker ਸ਼ੈਲੀ ਨੂੰ ਸਮਝੋ: LLM ਨੂੰ ਮੁੜ-ਮੁੜ ਕਾਲਾਂ ਦੀ ਲੂਪ ਸਮਝੋ, ਜਿਸ ਵਿੱਚ ਟੂਲ ਜਾਂ ਫੰਕਸ਼ਨ ਕਾਲ ਅਤੇ ਸੰਗਠਿਤ ਆਉਟਪੁੱਟ ਸ਼ਾਮਿਲ ਹਨ, ਜੋ ਸਹੀਤਾ ਨੂੰ ਸੁਧਾਰਨ ਅਤੇ ਖਰਾਬ ਸਵਾਲਾਂ ਨੂੰ ਸੰਭਾਲਨ ਲਈ ਬਣਾਈ ਗਈ ਹੈ।
• ਵਿਆਵਹਾਰਿਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦਾ ਪਤਾ ਲਗਾਓ: ਉਹ ਸਥਿਤੀਆਂ ਪਛਾਣੋ ਜਿੱਥੇ Agentic RAG ਚਮਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ correctness-first ਵਾਤਾਵਰਨ, ਜਟਿਲ ਡਾਟਾਬੇਸ ਇੰਟਰੈਕਸ਼ਨਾਂ ਅਤੇ ਵਿਸਤ੍ਰਿਤ ਵਰਕਫਲੋਜ਼।

ਸਿੱਖਣ ਦੇ ਲਕੜੇ

ਇਸ ਪਾਠ ਨੂੰ پورا ਕਰਨ ਤੋਂ ਬਾਅਦ, ਤੁਸੀਂ ਜਾਣੋਗੇ/ਸਮਝੋਗੇ:

• Agentic RAG ਨੂੰ ਸਮਝਣਾ: AI ਵਿੱਚ ਉਭਰਦਾ ਪੈਰਾਡਾਇਮ ਬਾਰੇ ਸਿੱਖੋ ਜਿੱਥੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (LLMs) ਖੁਦਮੁਖਤਿਆਰ ਆਪਣੇ ਅਗਲੇ ਕਦਮਾਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ ਅਤੇ ਬਾਹਰੀ ਡਾਟਾ ਸਰੋਤਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਖਿੱਚਦੇ ਹਨ।
• ITERATIVE Maker-Checker ਸ਼ੈਲੀ: LLM ਨੂੰ ਮੁੜ-ਮੁੜ ਕਾਲਾਂ ਦੀ ਲੂਪ ਦੀ ਸੰਕਲਪਨਾ ਸਮਝੋ, ਜਿਸ ਵਿੱਚ ਟੂਲ ਜਾਂ ਫੰਕਸ਼ਨ ਕਾਲ ਅਤੇ ਸੰਗਠਿਤ ਆਉਟਪੁੱਟ ਸ਼ਾਮਿਲ ਹਨ, ਜੋ ਸਹੀਤਾ ਨੂੰ ਸੁਧਾਰਨ ਅਤੇ ਖਰਾਬ ਸਵਾਲਾਂ ਨੂੰ ਸੰਭਾਲਨ ਲਈ ਬਣਾਈ ਗਈ ਹੈ।
• ਕਾਰਨਬੱਧਤਾ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਖੁਦ ਮੈਲਕ: ਸਿਸਟਮ ਦੀ ਆਪਣੀ ਕਾਰਨਬੱਧਤਾ ਪ੍ਰਕਿਰਿਆ ਕਾਬੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਸਮਝੋ, ਜੋ ਮੁਸ਼ਕਲਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਪਹਿਲਾਂ ਤੋਂ ਨਿਰਧਾਰਿਤ ਰਸਤਾ ਵਰਤਣ ਦੇ ਬਿਨਾ ਫੈਸਲੇ ਕਰਦਾ ਹੈ।
• ਵਰਕਫਲੋ: ਸਮਝੋ ਕਿ ਕਿਸ ਤਰ੍ਹਾਂ ਇੱਕ agentic ਮਾਡਲ ਸਵਤੰਤਰ ਤੌਰ ਤੇ ਮਾਰਕੀਟ ਟ੍ਰੈਂਡ ਰਿਪੋਰਟਾਂ ਪ੍ਰਾਪਤ ਕਰਨ, ਮੁਕਾਬਲੇਦਾਰ ਡਾਟਾ ਪਛਾਣਨ, ਅੰਦਰੂਨੀ ਸੇਲਜ਼ ਮੈਟ੍ਰਿਕਸ ਨਾਲ ਸੰਬੰਧ ਜੋੜਨ, ਨਤੀਜੇ ਸੰਸਲੇਸ਼ਣ ਕਰਨ ਅਤੇ ਰਣਨੀਤੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕਰਦਾ ਹੈ।
• ITERATIVE ਲੂਪ, ਟੂਲ ਇੰਟਿਗ੍ਰੇਸ਼ਨ ਅਤੇ ਯਾਦਦਾਸ਼ਤ: ਸਿਸਟਮ ਦੀ ਲੂਪ ਕੀਤੀ ਗਈ ਅੰਤਰਕ੍ਰਿਆ ਪੈਟਰਨ ਤੇ ਨਿਰਭਰਤਾ ਬਾਰੇ ਜਾਣੋ, ਜੋ ਕਦਮਾਂ ਵਿੱਚ ਸਥਿਤੀ ਅਤੇ ਯਾਦਦਾਸ਼ਤ ਨੂੰ ਬਣਾਈ ਰੱਖਦਾ ਹੈ ਤਾਂ ਜੋ ਲੂਪਾਂ ਨੂੰ ਦੁਹਰਾਉਂਣ ਤੋਂ ਬਚਿਆ ਜਾ ਸਕੇ ਅਤੇ ਜਾਣਕਾਰੀ ਵਾਲੇ ਫੈਸਲੇ ਕੀਤੇ ਜਾ ਸਕਣ।
• ਵਿਫਲਤਾ ਮੋਡਸ ਅਤੇ ਖੁਦ-ਸੁਧਾਰ ਦਾ ਸੰਭਾਲ: ਸਿਸਟਮ ਦੀ ਮਜ਼ਬੂਤ ਖੁਦ-ਸੁਧਾਰ ਮਕੈਨਿਜ਼ਮਜ਼ ਬਾਰੇ ਪੜ੍ਹੋ, ਜਿਸ ਵਿੱਚ ਦੁਹਰਾਉਂਦਾ ਅਤੇ ਮੁੜ-ਪੁੱਛਦੇ ਰਹਿਣਾ, ਨਿਰੀਖਣ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਅਤੇ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਦੇ ਉਪਰ ਆਧਾਰ ਕਰਨਾ ਸ਼ਾਮਿਲ ਹੈ।
• ਕਾਰਜ ਨਿਰਧਾਰਣ ਦੀਆਂ ਸੀਮਾਵਾਂ: Agentic RAG ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਸਮਝੋ, ਜਿਵੇਂ ਕਿ ਡੋਮੇਨ-ਵਿਸ਼ੇਸ਼ ਖੁਦਮੁਖਤਿਆਰੀ, ਦੇਵਤਾਵਾਂ ‘ਤੇ ਨਿਰਭਰਤਾ ਅਤੇ ਗਾਰਡਰੇਲ ਦਾ ਸਮਾਨ برقرار ਰੱਖਣਾ।
• ਵਿਆਵਹਾਰਿਕ ਵਰਤੋਂ ਦੇ ਕੇਸ ਅਤੇ ਮੁੱਲ: ਉਹ ਸਥਿਤੀਆਂ ਪਛਾਣੋ ਜਿੱਥੇ Agentic RAG ਚਮਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ correctness-first ਵਾਤਾਵਰਨ, ਜਟਿਲ ਡਾਟਾਬੇਸ ਇੰਟਰੈਕਸ਼ਨਾਂ ਅਤੇ ਵਿਸਤ੍ਰਿਤ ਵਰਕਫਲੋਜ਼।
• ਸ਼ਾਸਨ, ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਭਰੋਸਾ: ਸ਼ਾਸਨ ਅਤੇ ਪਾਰਦਰਸ਼ਤਾ ਦੀ ਮਹੱਤਾ ਨੂੰ ਸਿੱਖੋ, ਜਿਸ ਵਿੱਚ ਵਿਆਖਿਆ ਯੋਗ ਕਾਰਨਬੱਧਤਾ, ਪੱਖਪਾਤ ਨਿਯੰਤਰਣ, ਅਤੇ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਸ਼ਾਮਿਲ ਹਨ।

Agentic RAG ਕੀ ਹੈ?

Agentic Retrieval-Augmented Generation (Agentic RAG) ਇੱਕ ਉਭਰਦਾ ਹੋਇਆ AI ਪੈਰਾਡਾਇਮ ਹੈ ਜਿੱਥੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (LLMs) ਖੁਦਮੁਖਤਿਆਰ ਆਪਣੇ ਅਗਲੇ ਕਦਮਾਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ ਜਦੋਂ ਕਿ ਬਾਹਰੀ ਸਰੋਤਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਖਿੱਚ ਰਹੇ ਹੁੰਦੇ ਹਨ। ਸਥਿਰ retrieval-then-read ਪੈਟਰਨ ਦੀ ਬਜਾਏ, Agentic RAG LLM ਨੂੰ ਮੁੜ-ਮੁੜ ਕਾਲ ਕਰਨ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਟੂਲ ਜਾਂ ਫੰਕਸ਼ਨ ਕਾਲਾਂ ਅਤੇ ਸੰਗਠਿਤ ਆਉਟਪੁੱਟ ਵੀ ਹੁੰਦੇ ਹਨ। ਸਿਸਟਮ ਨਤੀਜੇ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ, ਸਵਾਲਾਂ ਨੂੰ ਸੁਧਾਰਦਾ ਹੈ, ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਹੋਰ ਟੂਲ ਬੁਲਾਂਦਾ ਹੈ ਅਤੇ ਇਹ ਚੱਕਰ ਤੱਕ ਚਲਦਾ ਹੈ ਜਦ ਤੱਕ ਕੋਈ ਸੰਤੋਸ਼ਜਨਕ ਹੱਲ ਨਹੀਂ ਮਿਲ ਜਾਂਦਾ। ਇਹ ਮੁੜ-ਮੁੜ “maker-checker” ਸ਼ੈਲੀ ਸਹੀਤਾ ਸੁਧਾਰਦੀ ਹੈ, ਖਰਾਬ ਸਵਾਲਾਂ ਨੂੰ ਸੰਭਾਲਦੀ ਹੈ ਅਤੇ ਉੱਚ-ਗੁਣਵੱਤਾ ਦੇ ਨਤੀਜੇ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ।

ਸਿਸਟਮ ਆਪਣੀ ਕਾਰਨਬੱਧਤਾ ਪ੍ਰਕਿਰਿਆ ‘ਤੇ ਸਰਗਰਮ ਮਾਲਕੀ ਰੱਖਦਾ ਹੈ, ਜੋ ਫੇਲ੍ਹ ਹੋਏ ਸਵਾਲਾਂ ਨੂੰ ਮੁੜ ਲਿਖਦਾ ਹੈ, ਵੱਖ-ਵੱਖ retrieval ਤਰੀਕਿਆਂ ਨੂੰ ਚੁਣਦਾ ਹੈ, ਅਤੇ ਕਈ ਟੂਲ—ਜਿਵੇਂ ਕਿ Azure AI Search ਵਿੱਚ ਵੈਕਟਰ ਖੋਜ, SQL ਡਾਟਾਬੇਸ, ਜਾਂ ਕਸਟਮ APIs—ਨੂੰ ਇਕੱਠਾ ਹੁੰਦਾ ਹੈ ਇਸ ਤੋਂ ਪਹਿਲਾਂ ਕਿ ਆਪਣਾ ਜਵਾਬ ਅੰਤਿਮ ਬਣਾਏ। agentic ਸਿਸਟਮ ਦੀ ਖਾਸੀਅਤ ਇਹ ਹੈ ਕਿ ਇਹ ਆਪਣੀ ਕਾਰਨਬੱਧਤਾ ਪ੍ਰਕਿਰਿਆ ਦਾ ਮਾਲਕੀ ਰੱਖਦਾ ਹੈ। ਰਵਾਇਤੀ RAG ਅਮਲ ਆਮ ਤੌਰ ਉੱਤੇ ਪਹਿਲਾਂ ਤੋਂ ਨਿਰਧਾਰਿਤ ਰਸਤੇ ਉੱਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਪਰ agentic ਸਿਸਟਮ ਜਾਣਕਾਰੀ ਦੀ ਗੁਣਵੱਤਾ ਦੇ ਆਧਾਰ ‘ਤੇ ਕਰਮਾਂ ਦੀ ਲੜੀ ਆਪਣੇ ਆਪ ਨਿਰਧਾਰਿਤ ਕਰਦਾ ਹੈ।

Agentic Retrieval-Augmented Generation (Agentic RAG) ਦੀ ਪਰਿਭਾਸ਼ਾ

Agentic Retrieval-Augmented Generation (Agentic RAG) AI ਵਿਕਾਸ ਵਿੱਚ ਇੱਕ ਉਭਰਦਾ ਪੈਰਾਡਾਇਮ ਹੈ ਜਿੱਥੇ LLM ਸਿਰਫ ਬਾਹਰੀ ਡਾਟਾ ਸਰੋਤਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਖਿੱਚਦੇ ਨਹੀਂ, ਬਲਕਿ ਖੁਦਮੁਖਤਿਆਰ ਆਪਣੇ ਅਗਲੇ ਕਦਮਾਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ। ਸਥਿਰ retrieval-then-read ਪੈਟਰਨ ਜਾਂ ਧਿਆਨ ਨਾਲ ਲਿਖੇ ਪ੍ਰਾਂਪਟ ਅਨੁਕ੍ਰਮਾਂ ਦੀ ਬਜਾਏ, Agentic RAG ਵਿੱਚ LLM ਨੂੰ ਮੁੜ-ਮੁੜ ਕਾਲਾਂ ਦੀ ਲੂਪ, ਟੂਲ ਜਾਂ ਫੰਕਸ਼ਨ ਕਾਲਾਂ ਅਤੇ ਸੰਗਠਿਤ ਆਉਟਪੁੱਟਾਂ ਦੇ ਨਾਲ ਮਿਲਾਈ ਜਾਂਦੀ ਹੈ। ਹਰ ਵਾਰ, ਸਿਸਟਮ ਪ੍ਰਾਪਤ ਨਤੀਜਿਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ, ਸਵਾਲ ਸੁਧਾਰ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕਰਦਾ ਹੈ, ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਹੋਰ ਟੂਲ ਬੁਲਾਂਦਾ ਹੈ ਅਤੇ ਚੱਕਰ ਜਾਰੀ ਰੱਖਦਾ ਹੈ ਜਦ ਤੱਕ ਸੰਤੋਸ਼ਜਨਕ ਹੱਲ ਪ੍ਰਾਪਤ ਨਹੀਂ ਹੋ ਜਾਂਦਾ।

ਇਹ ਮੁੜ-ਮੁੜ “maker-checker” ਓਪਰੇਸ਼ਨ ਸਹੀਤਾ ਸੁਧਾਰਨ, ਖਰਾਬ ਸਵਾਲਾਂ ਨੂੰ ਸੰਗਠਿਤ ਡਾਟਾਬੇਸਾਂ (ਜਿਵੇਂ NL2SQL) ਤੱਕ ਸੰਭਾਲਣ ਅਤੇ ਸੰਤੁਲਿਤ, ਉੱਚ-ਗੁਣਵੱਤਾ ਨਤੀਜਿਆਂ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਧਿਆਨ ਨਾਲ ਬਣਾਏ ਪ੍ਰਾਂਪਟ ਚੇਨਾਂ ਤੇ ਸਿਰਫ ਨਿਰਭਰ ਕਰਨ ਦੀ ਬਜਾਏ, ਸਿਸਟਮ ਸਰਗਰਮ ਤੌਰ ਤੇ ਆਪਣੀ ਕਾਰਨਬੱਧਤਾ ਪ੍ਰਕਿਰਿਆ ਦਾ ਮਾਲਕੀ ਰੱਖਦਾ ਹੈ। ਇਹ ਅਸਫਲ ਸਵਾਲ ਦੁਬਾਰਾ ਲਿਖ ਸਕਦਾ ਹੈ, ਵੱਖ-ਵੱਖ retrieval ਤਰੀਕੇ ਚੁਣ ਸਕਦਾ ਹੈ ਅਤੇ ਕਈ ਟੂਲ—ਜਿਵੇਂ ਕਿ Azure AI Search ਵਿੱਚ ਵੈਕਟਰ ਖੋਜ, SQL ਡਾਟਾਬੇਸ ਜਾਂ ਕਸਟਮ APIs—ਨੂੰ ਇੱਕਸਾਰ ਕਰ ਸਕਦਾ ਹੈ ਉਸ ਤੋਂ ਪਹਿਲਾਂ ਕਿ ਅੰਤਿਮ ਜਵਾਬ ਦੇਵੇ। ਇਸ ਨਾਲ ਜ਼ਿਆਦਾ ਜਟਿਲ ਅਦਾਰੇ ਜਾਂ framework ਦੀ ਲੋੜ ਖਤਮ ਹੋ ਜਾਂਦੀ ਹੈ। ਇਸ ਦੀ ਬਜਾਏ, ਇੱਕ ਸਧਾਰਣ ਲੂਪ “LLM ਕਾਲ → ਟੂਲ ਯੂਜ਼ → LLM ਕਾਲ → …” ਸੋਫਿਸਟੀਕੇਟਡ ਅਤੇ ਠੋਸ ਨਤੀਜੇ ਦੇ ਸਕਦਾ ਹੈ।

ਕਾਰਨਬੱਧਤਾ ਪ੍ਰਕਿਰਿਆ ‘ਤੇ ਮਾਲਕੀ

ਜੋ ਗੁਣ ਇੱਕ ਸਿਸਟਮ ਨੂੰ “agentic” ਬਣਾਉਂਦਾ ਹੈ ਉਹ ਇਸ ਦੀ ਸਮਰੱਥਾ ਹੈ ਆਪਣੀ ਕਾਰਨਬੱਧਤਾ ਪ੍ਰਕਿਰਿਆ ਦਾ ਮਾਲਕੀ ਰੱਖਣ ਦੀ। ਰਵਾਇਤੀ RAG ਇੰਪਲੀਮੈਂਟੇਸ਼ਨ ਅਕਸਰ ਮਾਡਲ ਲਈ ਮਨੁੱਖਾਂ ਵੱਲੋਂ ਪਹਿਲਾਂ ਤੋਂ ਨਿਰਧਾਰਿਤ ਰਸਤੇ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ: ਇੱਕ chain-of-thought ਜੋ ਦੱਸਦਾ ਹੈ ਕਿ ਕਿੰਨ੍ਹਾਂ ਚੀਜ਼ਾਂ ਨੂੰ ਕਦੋਂ ਲੈਣਾ ਹੈ।

ਪਰ ਜਦੋਂ ਕੋਈ ਸਿਸਟਮ ਸੱਚਮੁੱਚ agentic ਹੁੰਦਾ ਹੈ, ਇਹ ਆਪਣੀ ਸੂਚਨਾ ਦੀ ਗੁਣਵੱਤਾ ਦੇ ਆਧਾਰ ਤੇ ਮੁੱਦੇ ਨੂੰ ਸੁਲਝਾਉਣ ਦਾ ਤਰੀਕਾ ਆਪਣੇ ਆਪ ਅੰਦਰੋਂ ਨਿਰਧਾਰਿਤ ਕਰਦਾ ਹੈ। ਇਹ ਸਿਰਫ਼ ਸਕ੍ਰਿਪਟ ਨੂੰ ਚਲਾ ਰਹਾ ਨਹੀਂ ਹੁੰਦਾ; ਬਲਕਿ ਇਹ ਖੁਦਮੁਖਤਿਆਰ ਤਰੀਕੇ ਨਾਲ ਕਦਮਾਂ ਦੀ ਲੜੀ ਨਿਰਧਾਰਿਤ ਕਰਦਾ ਹੈ।

ਉਦਾਹਰਨ ਵਜੋਂ, ਜੇ ਇਸਨੂੰ ਕਿਸੇ ਉਤਪਾਦ ਲਾਂਚ ਰਣਨੀਤੀ ਬਣਾਉਣ ਲਈ ਕਿਹਾ ਜਾਵੇ, ਤਾਂ ਇਹ ਸਿਰਫ਼ ਉਸ ਪ੍ਰਾਂਪਟ ‘ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਹੋਵੇਗਾ ਜੋ ਪੂਰੇ ਖੋਜ ਅਤੇ ਫੈਸਲਾ ਕਰਨ ਵਾਲੇ ਵਰਕਫਲੋ ਨੂੰ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ। ਇਸ ਦੀ ਬਜਾਏ, agentic ਮਾਡਲ ਖੁਦਮੁਖਤਿਆਰ ਤੌਰ ਤੇ ਇਹ ਫੈਸਲਾ ਕਰਦਾ ਹੈ:

1. Bing Web Grounding ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮੌਜੂਦਾ ਮਾਰਕੀਟ ਟ੍ਰੈਂਡ ਰਿਪੋਰਟਾਂ ਪ੍ਰਾਪਤ ਕਰਨੀ
2. Azure AI Search ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੰਬੰਧਿਤ ਮੁਕਾਬਲੇਦਾਰ ਡਾਟਾ ਪਛਾਣਨਾ
3. Azure SQL ਡਾਟਾਬੇਸ ਦੀ ਵਰਤੋਂ ਨਾਲ ਇਤਿਹਾਸਕ ਅੰਦਰੂਨੀ ਸੇਲਜ਼ ਮੈਟ੍ਰਿਕਸ ਦਾ ਸੰਬੰਧ ਜੋੜਨਾ
4. Azure OpenAI ਸੇਵਾ ਰਾਹੀਂ ਨਤੀਜਿਆਂ ਨੂੰ ਇੱਕ ਸੰਜੁਕਤ ਰਣਨੀਤੀ ਵਿੱਚ ਸੋਧਣਾ
5. ਰਣਨੀਤੀ ਵਿੱਚ ਖਾਮੀਆਂ ਜਾਂ ਅਸੰਗਤੀਆਂ ਲਈ ਮੁਲਾਂਕਣ ਕਰਨਾ, ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਹੋਰ retrieval ਦਾ ਦੌਰ ਚਲਾਉਣਾ

ਇਹ ਸਭ ਕਦਮ – ਸਵਾਲਾਂ ਨੂੰ ਸੁਧਾਰਨਾ, ਸਰੋਤ ਚੁਣਨਾ, ਜਵਾਬ ਨਾਲ “ਖੁਸ਼” ਹੋਣ ਤੱਕ ਦੁਹਰਾਉਣਾ – ਮਾਡਲ ਵੱਲੋਂ ਫੈਸਲੇ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਨਾ ਕਿ ਕਿਸੇ ਮਨੁੱਖ ਵਲੋਂ ਪਹਿਲਾਂ ਨਿਰਧਾਰਿਤ।

Iterative ਲੂਪ, ਟੂਲ ਇੰਟਿਗ੍ਰੇਸ਼ਨ ਅਤੇ ਯਾਦਦਾਸ਼ਤ

ਇੱਕ agentic ਸਿਸਟਮ ਲੂਪ ਕੀਤੇ ਗਏ ਅੰਤਰਕ੍ਰਿਆ ਪੈਟਰਨ ‘ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ:

• ਸ਼ੁਰੂਆਤੀ ਕਾਲ: ਉਪਭੋਗਤਾ ਦਾ ਲਕੜੀ (ਜਿਸਨੂੰ ਯੂਜ਼ਰ ਪ੍ਰਾਂਪਟ ਵੀ ਕਹਿੰਦੇ ਹਨ) LLM ਨੂੰ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ।
• ਟੂਲ ਕਾਲ: ਜੇ ਮਾਡਲ ਨੂੰ ਕੋਈ ਜਾਣਕਾਰੀ ਗੁੰਮ ਹੋਵੇ ਜਾਂ ਸੁਝਾਅ ਅਸਪਸ਼ਟ ਹੋਵੇ, ਤਾਂ ਇਹ ਕੋਈ ਟੂਲ ਜਾਂ retrieval ਤਰੀਕਾ ਚੁਣਦਾ ਹੈ – ਜਿਵੇਂ ਕਿ ਵੈਕਟਰ ਡਾਟਾਬੇਸ ਕਵੈਰੀ (ਉਦਾਹਰਨ ਲਈ Azure AI Search Hybrid search ਜਿਹੜਾ ਪ੍ਰਾਈਵੇਟ ਡਾਟਾ ‘ਤੇ ਹੈ) ਜਾਂ ਇੱਕ ਸੰਗਠਿਤ SQL ਕਾਲ – ਹੋਰ ਸੰਦਰਭ ਇਕੱਤਰ ਕਰਨ ਲਈ।
• ਮੁਲਾਂਕਣ ਅਤੇ ਸੁਧਾਰ: ਵਾਪਸ ਮਿਲੀ ਜਾਣਕਾਰੀ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਮਾਡਲ ਨਿਰਣਯ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਜਾਣਕਾਰੀ ਕਾਫ਼ੀ ਹੈ। ਜੇ ਨਹੀਂ, ਤਾਂ ਇਸਨੂੰ ਸਵਾਲ ਸੁਧਾਰਨਾ, ਵੱਖਰਾ ਟੂਲ ਵਰਤਣਾ ਜਾਂ ਆਪਣਾ ਤਰੀਕਾ ਬਦਲਣਾ ਪੈਂਦਾ ਹੈ।
• ਤਾਕੀ ਤੱਕ ਦੁਹਰਾਓ ਜਦ ਤੱਕ ਸੰਤੁਸ਼ਟ ਨਾ ਹੋਵੇ: ਇਹ ਚੱਕਰ ਜਾਰੀ ਰਹਿੰਦਾ ਹੈ ਜਦ ਤੱਕ ਮਾਡਲ ਇਹ ਨਿਰਣਯ ਨਹੀਂ ਕਰਦਾ ਕਿ ਇਸਦੇ ਕੋਲ ਅੰਤਿਮ, ਚੰਗੀ ਤਰ੍ਹਾਂ ਸੋਚਿਆ-ਵਿਚਾਰਿਆ ਜਵਾਬ ਦੇਣ ਲਈ ਜਰੂਰੀ ਸਪਸ਼ਟਤਾ ਅਤੇ ਸਬੂਤ ਹਨ।
• ਯਾਦਦਾਸ਼ਤ ਅਤੇ ਸਥਿਤੀ: ਕਿਉਂਕਿ ਸਿਸਟਮ ਕਦਮਾਂ ‘ਚ ਸਥਿਤੀ ਅਤੇ ਯਾਦਦਾਸ਼ਤ ਨੂੰ ਬਣਾਈ ਰੱਖਦਾ ਹੈ, ਇਹ ਪਿਛਲੇ ਯਤਨਾਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਯਾਦ ਕਰ ਸਕਦਾ ਹੈ, ਮੁੜ ਮੁੜ ਹੁੰਦੀਆਂ ਲੂਪਾਂ ਤੋਂ ਬਚਦੇ ਹੋਏ ਅਤੇ ਜਿਆਦਾ ਸੋਚ-ਵਿਚਾਰ ਕੇ ਫੈਸਲੇ ਲੈਂਦਾ ਹੈ।

ਸਮੇਂ ਦੇ ਨਾਲ, ਇਹ ਸਮਝਣ ਦੀ ਇੱਕ ਭਾਵਨਾ ਬਣਾਉਂਦਾ ਹੈ, ਜੋ ਮਾਡਲ ਨੂੰ ਮੁਸ਼ਕਲ, ਬਹੁ-ਕਦਮੀ ਕੰਮਾਂ ਵਿਚ ਬਿਨਾ ਮਨੁੱਖੀ ਦਖਲਅੰਦਾਜ਼ੀ ਜਾਂ ਪ੍ਰਾਂਪਟ ਦੁਬਾਰਾ ਬਣਾਉਂਣ ਦੀ ਲੋੜ ਦੇ ਬਿਨਾ ਰਾਹ ਦਿਖਾਉਣ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ।

ਫੇਲਚੁੱਕ ਮੋਡ ਅਤੇ ਖੁਦ-ਸੁਧਾਰ ਸੰਭਾਲਣਾ

Agentic RAG ਦੀ ਖੁਦਮੁਖਤਿਆਰੀ ਵਿੱਚ ਮਜ਼ਬੂਤ ਖੁਦ-ਸੁਧਾਰ ਮਕੈਨਿਜ਼ਮ ਵੀ ਸ਼ਾਮਿਲ ਹਨ। ਜਦੋਂ ਸਿਸਟਮ ਅਜਿਹੇ ਮੋੜਾਂ ‘ਤੇ ਫਸ ਜਾਂਦਾ ਹੈ—ਜਿਵੇਂ ਗੈਰ-ਸੰਬੰਧਿਤ ਦਸਤਾਵੇਜ਼ ਖਿੱਚਣਾ ਜਾਂ ਖਰਾਬ ਸਵਾਲਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ—ਤਦ ਇਹ ਕਰ ਸਕਦਾ ਹੈ:

• ਦੁਹਰਾਉਣਾ ਅਤੇ ਮੁੜ-ਪੁੱਛਣਾ: ਘੱਟ ਕੀਮਤੀ ਜਵਾਬ ਵਾਪਸ ਕਰਨ ਦੀ ਬਜਾਏ, ਮਾਡਲ ਨਵੀਂ ਖੋਜ ਰਣਨੀਤੀਆਂ ਦਿੰਦਾ ਹੈ, ਡਾਟਾਬੇਸ ਸਵਾਲਾਂ ਨੂੰ ਮੁੜ ਲਿਖਦਾ ਹੈ, ਜਾਂ ਵਿਕਲਪੀ ਡਾਟਾ ਸੈੱਟ ਨੂੰ ਵੇਖਦਾ ਹੈ।
• ਨਿਰੀਖਣ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ: ਸਿਸਟਮ ਵਾਧੂ ਫੰਕਸ਼ਨ ਵਰਤ ਸਕਦਾ ਹੈ ਜੋ ਇਸਨੂੰ ਆਪਣੇ ਕਾਰਨਬੱਧਤਾ ਕਦਮਾਂ ਨੂੰ ਡਿਬੱਗ ਕਰਨ ਜਾਂ ਪ੍ਰਾਪਤ ਡਾਟਾ ਦੀ ਸਹੀਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦੇ ਹਨ। Azure AI Tracing ਵਰਗੇ ਟੂਲ ਮਜ਼ਬੂਤ ਦੱਖਲਅੰਦਾਜ਼ੀ ਅਤੇ ਨਿਗਰਾਨੀ ਲਈ ਜਰੂਰੀ ਹੋਣਗੇ।
• ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ‘ਤੇ ਫਾਲਬੈਕ: ਉੱਚ-ਦਾਅਵਾ ਵਾਲੀਆਂ ਜਾਂ ਵਾਰ-ਵਾਰ ਫੇਲ ਹੋਣ ਵਾਲੀਆਂ ਸਥਿਤੀਆਂ ਲਈ, ਮਾਡਲ ਅਣਿਸ਼ਚਿਤਤਾ ਦਰਸਾ ਸਕਦਾ ਹੈ ਅਤੇ ਮਨੁੱਖੀ ਮਦਦ ਲਈ ਬੇਨਤੀ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਮਨੁੱਖ ਸਹੀ ਸਲਾਹ ਦਿੰਦਾ ਹੈ, ਮਾਡਲ ਅਗਲੇ ਸਮੇਂ ਲਈ ਇਸ ਸਿਖਿਆ ਨੂੰ ਸ਼ਾਮਿਲ ਕਰ ਸਕਦਾ ਹੈ।

ਇਹ ਮੁੜ-ਮੁੜ ਅਤੇ ਗਤੀਸ਼ੀਲ ਤਰੀਕਾ ਮਾਡਲ ਨੂੰ ਲਗਾਤਾਰ ਸੁਧਾਰ ਕਰਨ ਯੋਗ ਬਣਾ ਦਿੰਦਾ ਹੈ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਇਹ ਸਿਰਫ ਇਕ ਵਾਰੀ ਕੰਮ ਕਰਨ ਵਾਲਾ ਸਿਸਟਮ ਨਹੀਂ ਹੈ, ਬਲਕਿ ਉਹ ਜੋ ਆਪਣੀਆਂ ਗਲਤੀਆਂ ਤੋਂ ਸੈਸ਼ਨ ਦੌਰਾਨ ਸਿੱਖਦਾ ਹੈ।

Agenticਤਾ ਦੀਆਂ ਸੀਮਾਵਾਂ

ਇੱਕ ਕੰਮ ਵਿੱਚ ਇਸਦੀ ਖੁਦਮੁਖਤਿਆਰੀ ਦੇ ਬਾਵਜੂਦ, Agentic RAG ਕ੍ਰਿਤ੍ਰਿਮ ਆਮ ਬੁੱਧੀ ਦੀ ਸਮਾਨ ਨਹੀਂ ਹੈ। ਇਸ ਦੀ “agentic” ਸਮਰੱਥਾ ਟੂਲ, ਡਾਟਾ ਸਰੋਤਾਂ ਅਤੇ ਮਨੁੱਖੀ ਵਿਕਾਸਕਾਰਾਂ ਵੱਲੋਂ ਪ੍ਰਦਾਨ ਕੀਤੀਆਂ ਨੀਤੀਆਂ ਤਕ ਸੀਮਤ ਹੈ। ਇਹ ਆਪਣੀਆਂ ਟੂਲਾਂ ਦੀ ਖੋਜ ਨਹੀਂ ਕਰ ਸਕਦਾ ਜਾਂ ਉਹਨਾਂ ਡੋਮੇਨ ਸੀਮਾਵਾਂ ਤੋਂ ਬਾਹਰ ਨਹੀਂ ਜਾ ਸਕਦਾ ਜੋ ਤਯਾਰ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ। ਬਲਕਿ, ਇਹ ਮੌਜੂਦਾ ਸਰੋਤਾਂ ਨੂੰ ਗਤੀਸ਼ੀਲ ਤਰੀਕੇ ਨਾਲ ਸੰਗਠਿਤ ਕਰਨ ਵਿੱਚ ਮਹਿਰ ਹੈ।

ਵਧੇਰੇ ਉੱਨਤ AI ਰੂਪਾਂ ਤੋਂ ਮੁੱਖ ਫਰਕ ਹਨ:

1. ਡੋਮੇਨ-ਵਿਸ਼ੇਸ਼ ਖੁਦਮੁਖਤਿਆਰੀ: Agentic RAG ਸਿਸਟਮ ਉਹਦਾ ਯੂਜ਼ਰ-ਨਿਰਧਾਰਿਤ ਟੀਚੇ ਪ੍ਰਾਪਤ ਕਰਨ ‘ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਿਤ ਕਰਦੇ ਹਨ, ਜਿੱਥੇ ਉਹ ਸੁਧਾਰ ਕਰਨ ਲਈ ਸਵਾਲ ਦੁਬਾਰਾ ਲਿਖਣ ਜਾਂ ਟੂਲ ਚੁਣਨ ਵਰਗੀਆਂ ਰਣਨੀਤੀਆਂ ਵਰਤਦੇ ਹਨ।
2. ਪਿਛੋਕੜ-ਨਿਰਭਰ: ਸਿਸਟਮ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਉਹਨਾਂ ਟੂਲਾਂ ਅਤੇ ਡਾਟਾ ਉੱਤੇ ਨਿਰਭਰ ਕਰਦੀਆਂ ਹਨ ਜੋ ਵਿਕਾਸਕਾਰਾਂ ਵੱਲੋਂ ਇੰਟੀਗ੍ਰੇਟ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਇਹ ਮਨੁੱਖੀ ਦਖਲਅੰਦਾਜ਼ੀ ਦੇ ਬਿਨਾ ਇਹ ਸੀਮਾਵਾਂ ਪਾਰ ਨਹੀਂ ਕਰ ਸਕਦਾ।
3. ਗਾਰਡਰੇਲਾਂ ਦੇ ਲਈ ਇੱਜ਼ਤ: ਨੈਤਿਕ ਨਿਯਮ, ਅਨੁਕੂਲਤਾ ਨਿਯਮ, ਅਤੇ ਵਪਾਰਕ ਨੀਤੀਆਂ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਏਜੰਟ ਦੀ ਆਜ਼ਾਦੀ ਹਮੇਸ਼ਾਂ ਸੁਰੱਖਿਆ ਉਪਾਅ ਅਤੇ ਨਿਗਰਾਨੀ ਮਕੈਨਿਜ਼ਮਜ਼ ਨਾਲ ਸੀਮਤ ਰਹਿੰਦੀ ਹੈ (ਉਮੀਦ ਹੈ).

ਵਿਆਵਹਾਰਿਕ ਵਰਤੋਂ ਦੇ ਕੇਸ ਅਤੇ ਮੁੱਲ

Agentic RAG ਉਹਨਾਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਚਮਕਦਾ ਹੈ ਜਿੱਥੇ ਦੁਹਰਾਉਂਦੀਆਂ ਸੁਧਾਰਾਂ ਅਤੇ ਸੁਤਰੰਤਰਤਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ:

1. ਸਹੀਤਾ-ਪਹਿਲਾ ਵਾਤਾਵਰਨ: ਅਨੁਕੂਲਤਾ ਜਾਂਚ, ਨਿਯਮਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ ਜਾਂ ਕਾਨੂੰਨੀ ਖੋਜ ਵਿਚ, agentic ਮਾਡਲ ਬਾਰ-ਬਾਰ ਤੱਥਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰ ਸਕਦਾ ਹੈ, ਕਈ ਸਰੋਤਾਂ ਨਾਲ ਸਲਾਹ-ਮਸ਼ਵਿਰਾ ਕਰਦਾ ਹੈ ਅਤੇ ਸਵਾਲਾਂ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖਦਾ ਹੈ ਜਦ ਤੱਕ ਉਹ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੈਰੀਫਾਈਡ ਜਵਾਬ ਨਹੀਂ ਦਿੰਦਾ।
2. ਜਟਿਲ ਡਾਟਾਬੇਸ ਇੰਟਰੈਕਸ਼ਨ: ਜਦੋਂ ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਸੰਗਠਿਤ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ ਹੁੰਦਾ ਹੈ ਜਿੱਥੇ ਸਵਾਲ ਅਕਸਰ ਫੇਲ ਹੋ ਜਾਂਦੇ ਹਨ ਜਾਂ ਸੁਧਾਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਸਿਸਟਮ ਆਪਣੇ ਸਵਾਲਾਂ ਨੂੰ Azure SQL ਜਾਂ Microsoft Fabric OneLake ਵਰਗੀਆਂ ਟੈਕਨੀਕਾਂ ਨਾਲ ਸੁਧਾਰ ਸਕਦਾ ਹੈ, ਇਸ ਗੱਲ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਅੰਤਿਮ retrieval ਯੂਜ਼ਰ ਦੇ ਇਰਾਦੇ ਨਾਲ ਮਿਲਦਾ-ਜੁਲਦਾ ਹੈ।
3. ਵਿਸਤ੍ਰਿਤ ਵਰਕਫਲੋਜ਼: ਲੰਮੇ ਸਮੇਂ ਤੱਕ ਚੱਲਣ ਵਾਲੀ ਸੈਸ਼ਨਾਂ ਦਾ ਵਿਕਾਸ ਹੋ ਸਕਦਾ ਹੈ ਜਦ ਨਵੀਂ ਜਾਣਕਾਰੀ ਮਿਲਦੀ ਹੈ। Agentic RAG ਨਿਰੰਤਰ ਨਵਾਂ ਡਾਟਾ ਸ਼ਾਮਿਲ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਸਮੱਸਿਆ ਦੇ ਖੇਤਰ ਬਾਰੇ ਹੋਰ ਸਿੱਖਣ ਨਾਲ ਆਪਣੀ ਰਣਨੀਤੀਆਂ ਬਦਲਦਾ ਹੈ।

ਸ਼ਾਸਨ, ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਭਰੋਸਾ

ਜਿਵੇਂ ਇਹ ਸਿਸਟਮ ਆਪਣੀ ਕਾਰਨਬੱਧਤਾ ਵਿੱਚ ਜ਼ਿਆਦਾ ਖੁਦਮੁਖਤਿਆਰ ਹੁੰਦੇ ਹਨ, ਸ਼ਾਸਨ ਅਤੇ ਪਾਰਦਰਸ਼ਤਾ ਬਹੁਤ ਜ਼ਰੂਰੀ ਹਨ:

• ਵਿਆਖਿਆਯੋਗ ਕਾਰਨਬੱਧਤਾ: ਮਾਡਲ ਆਪਣੇ ਕੀਤੇ ਸਵਾਲਾਂ ਦੀ ਆਡੀਟ ਟ੍ਰੇਲ ਦੇ ਸਕਦਾ ਹੈ, ਜਿਸ ਸਰੋਤਾਂ ਨੂੰ ਇਸ ਨੇ ਸਲਾਹ-ਮਸ਼ਵਿਰਾ ਲਈ ਇਸਤੇਮਾਲ ਕੀਤਾ ਅਤੇ ਜਿਸ ਕਾਰਨਬੱਧਤਾ ਕਦਮਾਂ ਨੂੰ ਇਸਨੇ ਆਪਣੀ ਨਤੀਜੇ ਤੱਕ ਪਹੁੰਚਣ ਲਈ ਲਿਆ। Azure AI Content Safety ਅਤੇ Azure AI Tracing / GenAIOps ਵਰਗੇ ਟੂਲ ਪਾਰਦਰਸ਼ਤਾ ਬਣਾਈ ਰੱਖਣ ਅਤੇ ਜੋਖਮਾਂ ਨੂੰ ਘਟਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।
• ਪੱਖਪਾਤ ਨਿਯੰਤਰਣ ਅਤੇ ਸੰਤੁਲਿਤ retrieval: ਵਿਕਾਸਕਾਰ retrieval ਰਣਨੀਤੀਆਂ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਤੈਅ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਸੰਤੁਲਿਤ, ਪ੍ਰਤੀਨਿਧਿਕ ਡਾਟਾ ਸਰੋਤਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਿਆ ਜਾਵੇ ਅਤੇ ਨਿਰੰਤਰ ਆਉਟਪੁੱਟ ਦੀ ਆਡਿਟ ਕੀਤੀ ਜਾਵੇ ਤਾਕਿ ਪੱਖਪਾਤ ਜਾਂ ਵਿਗੜੇ ਹੋਏ ਪੈਟਰਨ ਦਾ ਪਤਾ ਲੱਗ ਸਕੇ, Azure Machine Learning ਦੀ ਵਰਤੋਂ ਨਾਲ ਤਜਰਬਾਕਾਰ ਡਾਟਾ ਸਾਇੰਸ ਸੰਗਠਨਾਂ ਲਈ ਕਸਟਮ ਮਾਡਲਾਂ ਦੀ ਸਹਾਇਤਾ ਨਾਲ।
• ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਅਤੇ ਅਨੁਕੂਲਤਾ: ਸੰਵੇਦਨਸ਼ੀਲ ਕੰਮਾਂ ਲਈ, ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਅਸਲੀਅਤ ਵਿੱਚ ਮੂਲ ਹੈ। Agentic RAG ਉੱਚ-ਦਾਅਵਾ ਫੈਸਲਿਆਂ ਵਿੱਚ ਮਨੁੱਖੀ ਫੈਸਲੇ ਦੀ ਜਗ੍ਹਾ ਨਹੀਂ ਲੈਂਦਾ - ਇਹ ਇਸਨੂੰ ਹੋਰ ਵਿਆਪਕ ਅਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੇਰੀਫਾਈਡ ਚੋਣਾਂ ਨਾਲ ਸਹਾਇਤਾ ਕਰਦਾ ਹੈ।

ਜਿਹੜੇ ਟੂਲ ਕਰਵਾਈ ਦਾ ਸਪਸ਼ਟ ਰਿਕਾਰਡ ਦਿੰਦੇ ਹਨ ਉਹ ਜ਼ਰੂਰੀ ਹਨ। ਉਹਨਾਂ ਦੇ ਬਿਨਾ, ਬਹੁ-ਕਦਮੀ ਪ੍ਰਕਿਰਿਆ ਦੀ ਡਿਬੱਗਿੰਗ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੋ ਸਕਦੀ ਹੈ। Literal AI (Chainlit ਦੇ ਪਿੱਛੇ ਕੰਪਨੀ) ਵੱਲੋਂ ਇੱਕ Agent ਚੱਲਣ ਦਾ ਹੇਠਾਂ ਦਿੱਤਾ ਉਦਾਹਰਨ ਵੇਖੋ:

ਨਤੀਜਾ

Agentic RAG AI ਸਿਸਟਮਾਂ ਦੀ ਉਸ ਤਰੀਕੇ ਨਾਲ ਕੁਦਰਤੀ ਵਿਕਾਸ ਦਾ ਪ੍ਰਤੀਨਿਧਿਤਾ ਹੈ ਜਿਸ ਨਾਲ ਉਹ ਜਟਿਲ, ਡਾਟਾ-ਸਘਣੇ ਕਾਰਜਾਂ ਨੂੰ ਸੰਭਾਲਦੇ ਹਨ। ਇਕ ਲੂਪ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਅੰਤਰਕ੍ਰਿਆ ਪੈਟਰਨ ਨੂੰ ਅਪਣਾਉਂਦੇ ਹੋਏ, ਖੁਦਮੁਖਤਿਆਰ ਟੂਲ ਚੋਣ ਅਤੇ ਫੈਸਲੇਆਂ ਨੂੰ ਸੁਧਾਰਦੇ ਹੋਏ, ਸਿਸਟਮ ਸਥਿਰ ਪ੍ਰਾਂਪਟ-ਪਾਲਣ ਤੋਂ ਅੱਗੇ ਵਧਦਾ ਹੈ ਅਤੇ ਇੱਕ ਵੱਧ ਲਚਕੀਲਾ, ਸੰਦਰਭ-ਜਾਣਕਾਰ ਫੈਸਲਾ ਕਰਨ ਵਾਲਾ ਬਣ ਜਾਂਦਾ ਹੈ। ਭਾਵੇਂ ਮਨੁੱਖਾਂ ਵੱਲੋਂ ਨਿਰਧਾਰਿਤ ਢਾਂਚੇ ਅਤੇ ਨੈਤਿਕ ਨਿਰਦੇਸ਼ਾਂ ਦੀਆਂ ਹੱਦਾਂ ਵਿੱਚ ਬੰਨ੍ਹਿਆ ਹੋਇਆ, ਇਹ agentic ਸਮਰੱਥਾਵਾਂ ਦੋਹਾਂ ਉਦਯੋਗ ਅਤੇ ਅੰਤ-ਉਪਭੋਗਤਿਆਂ ਲਈ ਧਨਾਢ਼, ਜ਼ਿਆਦਾ ਗਤੀਸ਼ੀਲ ਅਤੇ ਆਖਰੀ ਤੌਰ ‘ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਲਾਭਦਾਇਕ AI ਇੰਟਰਐਕਸ਼ਨ ਨੂੰ ਸਪੋਰਟ ਕਰਦੀਆਂ ਹਨ।

Agentic RAG ਬਾਰੇ ਹੋਰ ਸਵਾਲ ਹਨ?

Microsoft Foundry Discord ‘ਤੇ ਸ਼ਾਮਲ ਹੋਵੋ, ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨਾਲ ਮਿਲੋ, ਦਫਤਰ ਘੰਟਿਆਂ ਵਿੱਚ ਸ਼ਾਮਿਲ ਹੋਵੋ ਅਤੇ ਆਪਣੇ AI ਏਜੰਟ ਸਵਾਲਾਂ ਦਾ ਜਵਾਬ ਲਵੋ।

ਵਾਧੂ ਸਾਧਨ

• ਐਜ਼ੁਰ ਓਪਨਏਆਈ ਸਰਵਿਸ ਨਾਲ ਰਿਟਰੀਵਲ ਆਗਮੈਂਟਡ ਜਨਰੇਸ਼ਨ (RAG) ਲਾਗੂ ਕਰੋ: ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਐਜ਼ੁਰ ਓਪਨਏਆਈ ਸਰਵਿਸ ਨਾਲ ਕਿਵੇਂ ਵਰਤਣਾ ਹੈ ਸਿੱਖੋ। ਇਹ ਮਾਇਕ੍ਰੋਸਾਫਟ ਲਰਨ ਮਾਡਿਊਲ RAG ਲਾਗੂ ਕਰਨ ‘ਤੇ ਵਿਸਤ੍ਰਿਤ ਮਾਰਗਦਰਸ਼ਨ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ
• ਮਾਇਕ੍ਰੋਸਾਫਟ ਫਾਊਂਡਰੀ ਨਾਲ ਜਨਰੇਟਿਵ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਦਾ ਮੁਲਾਂਕਣ: ਇਹ ਲੇਖ ਜਨਤਕ ਤੌਰ ‘ਤੇ ਉਪਲਬਧ ਡੇਟਾਸੈੱਟਸ ‘ਤੇ ਮਾਡਲਾਂ ਦੇ ਮੁਲਾਂਕਣ ਅਤੇ ਤੁਲਨਾ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਏਜੈਂਟਿਕ AI ਐਪਲੀਕੇਸ਼ਨ ਅਤੇ RAG ਆਰਕੀਟੈਕਚਰ ਸ਼ਾਮਲ ਹਨ
• Agentic RAG ਕੀ ਹੈ | Weaviate
• Agentic RAG: ਏਜੈਂਟ-ਅਧਾਰਿਤ ਰਿਟਰੀਵਲ ਆਗਮੈਂਟਡ ਜਨਰੇਸ਼ਨ ਲਈ ਪੂਰੀ ਗਾਈਡ – ਜਨਰੇਸ਼ਨ RAG ਤੋਂ ਖ਼ਬਰਾਂ
• Agentic RAG: ਕิวਰੀ ਪੁਨਰਰੂਪ ਅਤੇ ਸਵੈ-ਕิวਰੀ ਨਾਲ ਆਪਣੇ RAG ਨੂੰ ਟਰਬੋਚਾਰ्ज ਕਰੋ! Hugging Face ਓਪਨ-ਸੋਰਸ AI ਕੂਕਬੁੱਕ
• RAG ਵਿੱਚ Agentic ਲੇਅਰ ਸ਼ਾਮਲ ਕਰਨਾ
• ਜਾਣਕਾਰੀ ਸਹਾਇਕਾਂ ਦਾ ਭਵਿੱਖ: ਜੈਰੀ ਲਿਊ
• Agentic RAG ਸਿਸਟਮ ਬਣਾਉਣ ਦੇ ਤਰੀਕੇ
• ਆਪਣੇ AI ਏਜੈਂਟਸ ਨੂੰ ਸਕੇਲ ਕਰਨ ਲਈ ਮਾਇਕ੍ਰੋਸਾਫਟ ਫਾਊਂਡਰੀ ਏਜੈਂਟ ਸਰਵਿਸ ਦੀ ਵਰਤੋਂ

ਅਕਾਦਮਿਕ ਪੇਪਰ

• 2303.17651 ਸੈਲਫ-ਰਿਫਾਈਨ: ਸਵੈ-ਫੀਡਬੈਕ ਨਾਲ ਦੁਹਰਾਈ ਜਾਣ ਵਾਲੀ ਸੁਧਾਰ
• 2303.11366 ਰਿਫਲੇਕਸ਼ਨ: ਹੋਰਨਾਂ ਬੋਲਣ ਨਾਲ ਮਾਡਲਾਂ ਦੇ ਭਾਸ਼ਾ ਏਜੈਂਟ
• 2305.11738 CRITIC: ਵੱਡੇ ਭਾਸ਼ਾਈ ਮਾਡਲ ਟੂਲ-ਇੰਟਰੈਕਟਿਵ ਰੇਖਾ-ਚਰਚਾ ਨਾਲ ਸਵੈ-ਸੁਧਾਰ ਕਰ ਸਕਦੇ ਹਨ
• 2501.09136 Agentic Retrieval-Augmented Generation: Agentic RAG ‘ਤੇ ਸਰਵੇਖਣ

ਪਿਛਲਾ ਪਾਠ

ਟੂਰ ਲਾਗੂ ਕਰਨ ਦੇ ਡਿਜ਼ਾਈਨ ਪੈਟਰਨ

ਅਗਲਾ ਪਾਠ

ਭਰੋਸੇਯੋਗ AI ਏਜੈਂਟ ਬਣਾਉਣਾ

---

ਅਸਵੀਕਾਰੋਪੱਤਰ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਵਿੱਚ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਤੀਹਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਪ੍ਰਮਾਣਿਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਰੂਰੀ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਸਿਫਾਰਸ਼ੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ تفسيرਆਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।

This site is open source. Improve this page.