ai-agents-for-beginners

(ਇਸ ਪਾਠ ਦੀ ਵੀਡੀਓ ਦੇਖਣ ਲਈ ਉਪਰ ਦਿੱਤੀ ਤਸਵੀਰ ‘ਤੇ ਕਲਿੱਕ ਕਰੋ)

ਏਜੈਂਟਿਕ RAG

ਇਹ ਪਾਠ ਏਜੈਂਟਿਕ ਰੀਟਰੀਵਲ-ਆਗਮੈਂਟਡ ਜੇਨੇਰੇਸ਼ਨ (Agentic RAG) ਦਾ ਵਿਸਤ੍ਰਿਤ ਜਾਇਜ਼ਾ ਦਿੰਦਾ ਹੈ, ਇੱਕ ਉੱਭਰਦਾ ਹੋਇਆ AI ਪਰਿਭਾਸ਼ਾ ਜਿੱਥੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (LLMs) ਬਾਹਰੀ ਸਰੋਤਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਖਿੱਚਦੇ ਹੋਏ ਆਪਣੇ ਅਗਲੇ ਕਦਮ ਸੁਤੰਤਰভাবে ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ। ਸਥਿਰ ਰੀਟਰੀਵਲ-ਫਿਰ-ਪੜ੍ਹਨ ਵਾਲੇ ਢਾਂਚਿਆਂ ਤੋਂ ਵੱਖਰਾ, ਏਜੈਂਟਿਕ RAG ਵਿੱਚ LLM ਨੂੰ ਸਮਰਥਿਤ ਸੰਦ ਜਾਂ ਫੰਕਸ਼ਨ ਕਾਲਾਂ ਅਤੇ ਢਾਂਚਾਬੱਧ ਨਤੀਜਿਆਂ ਨਾਲ ਬਰਤਣ ਵਾਲੇ ਵਿਚਾਰ ਸਮੇਤ ਮੁੜ ਮੁੜ ਕਾਲਾਂ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਸਿਸਟਮ ਨਤੀਜਿਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ, ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਸੰਵਾਰਦਾ ਹੈ, ਜੇ ਲੋੜ ਪਵੇ ਤਾਂ ਹੋਰ ਸੰਦ ਆਮੰਤ੍ਰਿਤ ਕਰਦਾ ਹੈ ਅਤੇ ਇਹ ਚੱਕਰ ਤੱਕ ਚਲਦਾ ਰਹਿੰਦਾ ਹੈ ਜਦ ਤੱਕ ਸੰਤੋਸ਼ਜਨਕ ਹੱਲ ਨਹੀਂ ਮਿਲਦਾ।

ਜਾਣ ਪਛਾਣ

ਇਹ ਪਾਠ ਕਵਰ ਕਰੇਗਾ

• ਏਜੈਂਟਿਕ RAG ਨੂੰ ਸਮਝੋ: AI ਵਿੱਚ ਉੱਭਰਦਾ ਹੋਇਆ ਉਹ ਪਰਿਭਾਸ਼ਾ ਜਿਸ ਵਿੱਚ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ ਆਪਣੇ ਅਗਲੇ ਕਦਮ ਸੁਤੰਤਰভাবে ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ ਜਦੋਂ ਕਿ ਬਾਹਰੀ ਡਾਟਾ ਸਰੋਤਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਖਿੱਚਦੇ ਹਨ।
• ਮੁੜ ਮੁੜ ਮੈਕਰ-ਚੇਕਰ ਸ਼ੈਲੀ ਨੂੰ ਸਮਝੋ: ਮੁੜ ਕਾਲਾਂ ਦੇ ਚੱਕਰ ਨੂੰ ਸਮਝੋ, ਜੋ LLM ਨੂੰ ਸੰਦ ਜਾਂ ਫੰਕਸ਼ਨ ਕਾਲਾਂ ਅਤੇ ਢਾਂਚਾਬੱਧ ਨਤੀਜਿਆਂ ਨਾਲ ਇੰਟਰਸਪੇਰਸ ਕਰਦਾ ਹੈ, ਜਿਸਦਾ ਉਦੇਸ਼ ਸਹੀ ਬਣਾਉਣਾ ਅਤੇ ਗਲਤ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਸੰਭਾਲਣਾ ਹੈ।
• ਵਾਸਤਵਿਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਪਛਾਣ ਕਰੋ: ਉਹ ਸਥਿਤੀਆਂ ਜਿੱਥੇ ਏਜੈਂਟਿਕ RAG ਬੇਹਤਰੀ ਦਿਖਾਉਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਸਹੀ-ਪਹਿਲਾਂ ਵਾਲੇ ਵਾਤਾਵਰਣ, ਜਟਿਲ ਡੇਟਾਬੇਸ ਇੰਟਰੈਕਸ਼ਨ ਅਤੇ ਵਧੇਰੇ ਵਰਕਫਲੋਜ਼।

ਅਧਿਐਨ ਦੇ ਲਕਸ਼

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

• ਏਜੈਂਟਿਕ RAG ਨੂੰ ਸਮਝਣਾ: AI ਵਿੱਚ ਉੱਭਰਦਾ ਪਰਿਭਾਸ਼ਾ ਜਿਸ ਵਿੱਚ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ ਸੁਤੰਤਰভাবে ਅਗਲੇ ਕਦਮ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ ਅਤੇ ਬਾਹਰੀ ਸਰੋਤਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਖਿੱਚਦੇ ਹਨ।
• ਮੁੜ ਮੁੜ ਮੈਕਰ-ਚੇਕਰ ਸ਼ੈਲੀ: ਮੁੜ ਕਾਲਾਂ ਦੇ ਚੱਕਰ ਦਾ ਸਿਧਾਂਤ ਸਮਝੋ, ਜਿਸ ਵਿੱਚ ਸੰਦ ਜਾਂ ਫੰਕਸ਼ਨ ਕਾਲਾਂ ਅਤੇ ਢਾਂਚਾਬੱਧ ਨਤੀਜੇ ਸ਼ਾਮਲ ਹਨ, ਜੋ ਸਹੀਤਾ ਨੂੰ ਸੁਧਾਰਨ ਅਤੇ ਗਲਤ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ ਹੈ।
• ਤਰਕਸ਼ੀਲ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਆਪਣੇ ਕਰਨਾ: ਸਿਸਟਮ ਦੀ ਆਪਣੀ ਤਰਕਸ਼ੀਲ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਮਾਲਕ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਸਮਝੋ, ਜੋ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਨਿਪਟਾਉਣ ਲਈ ਪਹਿਲਾਂ ਤੋਂ ਤਤ੍ਹਪਰ ਨਹੀਂ ਹੁੰਦਾ।
• ਵਰਕਫਲੋ: ਸਮਝੋ ਕਿ ਏਜੈਂਟਿਕ ਮਾਡਲ ਇੱਕਲੇ ਆਪਣੇ ਆਪ ਮਾਰਕੀਟ ਟਰੇਂਡ ਰਿਪੋਰਟ ਖਿੱਚਦਾ ਹੈ, ਮੁਕਾਬਲੀ ਡਾਟਾ ਪਛਾਣਦਾ ਹੈ, ਅੰਦਰੂਨੀ ਵਿਕਰੀ ਮੈਟਰਿਕਸ ਨੂੰ ਜੋੜਦਾ ਹੈ, ਨਤੀਜੇ ਸੰਖੇਪ ਕਰਦਾ ਹੈ ਅਤੇ ਰਣਨੀਤੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ।
• ਮੁੜ ਮੁੜ ਕਾਲਾਂ, ਸੰਦ ਇੰਟਿਗ੍ਰੇਸ਼ਨ ਅਤੇ ਯਾਦ: ਸਿਸਟਮ ਦੇ ਚੱਕਰਵਾਤ ਬਰਤਾਓਂ ਪੈਟਰਨ, ਕਦਮਾਂ ਵਿੱਚ ਸਥਿਤੀ ਅਤੇ ਯਾਦ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਬਾਰੇ ਜਾਣੋ, ਤਾਕਿ ਰਿਪਟੀਟੀਵ ਲੂਪਾਂ ਤੋਂ ਬਚਿਆ ਜਾ ਸਕੇ ਅਤੇ ਜਾਣਕਾਰ ਫੈਸਲੇ ਲਏ ਜਾ ਸਕਣ।
• ਫੇਲ੍ਹਯਾ ਮੋਡਾਂ ਦਾ ਸੰਭਾਲ ਅਤੇ ਖੁਦ ਠੀਕ ਕਰਨਾ: ਸਿਸਟਮ ਦੀ ਮਜ਼ਬੂਤ ਖੁਦ-ਸੰਸ਼ੋਧਨ ਮਕੈਨੀਜ਼ਮ ਨੂੰ ਖੋਜੋ, ਜਿਸ ਵਿੱਚ ਮੁੜ ਮੁੜ ਪ੍ਰਭਾਵ, ਡਾਇਗਨੋਸਟਿਕ ਸੰਦ ਵਰਤਣਾ, ਅਤੇ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ‘ਤੇ ਨਿਰਭਰ ਹੋਣਾ ਸ਼ਾਮਲ ਹੈ।
• ਏਜੰਸੀ ਦੀਆਂ ਸੀਮਾਵਾਂ: ਏਜੈਂਟਿਕ RAG ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਸਮਝੋ, ਜੋ ਖਾਸ ਖੇਤਰਵਾਰ ਸੁਤੰਤਰਤਾ, ਇੰਫਰਾਸਟਰੱਕਚਰ ਉੱਤੇ ਨਿਰਭਰਤਾ, ਅਤੇ ਗਾਰਡਰੇਲਜ਼ ਦਾ ਸਨਮਾਨ ਕਰਨ ‘ਤੇ ਕੇਂਦ੍ਰਿਤ ਹਨ।
• ਵਾਸਤਵਿਕ ਵਰਤੋਂ ਅਤੇ ਮੁੱਲ: ਉਹ ਸਥਿਤੀਆਂ ਪਛਾਣੋ ਜਿੱਥੇ ਏਜੈਂਟਿਕ RAG ਚਮਕਦਾ ਹੈ, ਜਿਵੇਂ ਸਹੀ-ਪਹਿਲਾਂ ਵਾਤਾਵਰਣ, ਜਟਿਲ ਡੇਟਾਬੇਸ ਇੰਟਰੈਕਸ਼ਨ, ਅਤੇ ਵਧੇਰੇ ਵਰਕਫਲੋਜ਼।
• ਸਰਕਾਰ, ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਭਰੋਸਾ: ਸਰਕਾਰ ਅਤੇ ਪਾਰਦਰਸ਼ਤਾ ਦੀ ਮਹੱਤਤਾ ਬਾਰੇ ਜਾਣੋ, ਇਸ ਵਿੱਚ ਵਿਆਖ਼ਿਆਯੋਗ ਤਰਕ, ਪੱਖਪਾਤ ਨਿਯੰਤਰਣ, ਅਤੇ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਸ਼ਾਮਲ ਹੈ।

ਏਜੈਂਟਿਕ RAG ਕੀ ਹੈ?

ਏਜੈਂਟਿਕ ਰੀਟਰੀਵਲ-ਆਗਮੈਂਟਡ ਜੇਨੇਰੇਸ਼ਨ (Agentic RAG) AI ਵਿੱਚ ਉਭਰਦਾ ਪਰਿਭਾਸ਼ਾ ਹੈ ਜਿੱਥੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (LLMs) ਸੁਤੰਤਰভাবে ਆਪਣੇ ਅਗਲੇ ਕਦਮਾਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ ਜਦੋਂ ਉਹ ਬਾਹਰੀ ਸਰੋਤਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਖਿੱਚਦੇ ਹਨ। ਸਥਿਰ ਰੀਟਰੀਵਲ-ਫਿਰ-ਪੜ੍ਹਨ ਵਾਲੇ ਪੈਟਰਨਾਂ ਤੋਂ ਵੱਖ ਭਾਵ, ਏਜੈਂਟਿਕ RAG ਵਿੱਚ LLM ਨੂੰ ਮੁੜ ਮੁੜ ਕਾਲ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਜੋ ਸੰਦ ਜਾਂ ਫੰਕਸ਼ਨ ਕਾਲਾਂ ਨਾਲ ਅਤੇ ਢਾਂਚਾਬੱਧ ਨਤੀਜਿਆਂ ਦੇ ਨਾਲ ਮਿਲੀਆਂ ਹੁੰਦੀਆਂ ਹਨ। ਸਿਸਟਮ ਨਤੀਜਿਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ, ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਸੁਧਾਰਦਾ ਹੈ, ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਹੋਰ ਸੰਦ ਆਮੰਤ੍ਰਿਤ ਕਰਦਾ ਹੈ ਅਤੇ ਇਹ ਚੱਕਰ ਜਾਰੀ ਰੱਖਦਾ ਹੈ ਜਦ ਤੱਕ ਸੰਤੋਸ਼ਜਨਕ ਹੱਲ ਨਹੀਂ ਮਿਲਦਾ। ਇਹ ਮੁੜ ਮੁੜ “ਮੈਕਰ-ਚੇਕਰ” ਸ਼ੈਲੀ ਸਹੀਤਾ ਨੂੰ ਸੁਧਾਰਦੀ ਹੈ, ਗਲਤ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਸੰਭਾਲਦੀ ਹੈ ਅਤੇ ਉੱਚ ਗੁಣਵੱਤਾ ਵਾਲੇ ਨਤੀਜੇ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ।

ਸਿਸਟਮ ਆਪਣੀ ਤਰਕਸ਼ੀਲ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਰਗਰਮੰਗੀ ਨਾਲ ਮਲਕ ਬਣਾਉਂਦਾ ਹੈ, ਅਸਫ਼ਲ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖਦਾ ਹੈ, ਵੱਖਰੇ ਰੀਟਰੀਵਲ ਢੰਗ ਚੁਣਦਾ ਹੈ ਅਤੇ ਕਈ ਸੰਦ—ਜਿਵੇਂ ਕਿ Azure AI Search ਵਿੱਚ ਵੇਕਟਰ ਖੋਜ, SQL ਡੇਟਾਬੇਸ, ਜਾਂ ਕਸਟਮ API—ਜ਼ਮਾਂ ਦੇ ਕੇ ਆਪਣੇ ਜਵਾਬ ਨੂੰ ਅੰਤਿਮ ਰੂਪ ਦਿੰਦਾ ਹੈ। ਇੱਕ ਏਜੈਂਟਿਕ ਸਿਸਟਮ ਦੀ ਖਾਸ ਪਹਚਾਨ ਇਹ ਹੈ ਕਿ ਇਹ ਆਪਣੀ ਤਰਕਸ਼ੀਲ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਮਾਲਕ ਬਣਾਉਂਦਾ ਹੈ। ਰਵਾਇਤੀ RAG ਨਿਰਾਵਤੀ ਪੱਥਾਂ ‘ਤੇ ਨਿਰਭਰ ਹੁੰਦਾ ਹੈ, ਪਰ ਏਜੈਂਟਿਕ ਸਿਸਟਮ ਆਪਣੇ ਆਪ ਜਾਣਕਾਰੀ ਦੀ ਗੁਣਵੱਤਾ ਦੇ ਅਧਾਰ ‘ਤੇ ਕਦਮਾਂ ਦੀ ਕ੍ਰਮ ਦੱਸਦਾ ਹੈ।

ਏਜੈਂਟਿਕ ਰੀਟਰੀਵਲ-ਆਗਮੈਂਟਡ ਜੇਨੇਰੇਸ਼ਨ (Agentic RAG) ਦੀ ਪਰਿਭਾਸ਼ਾ

ਏਜੈਂਟਿਕ ਰੀਟਰੀਵਲ-ਆਗਮੈਂਟਡ ਜੇਨੇਰੇਸ਼ਨ (Agentic RAG) AI ਵਿਕਾਸ ਵਿੱਚ ਇੱਕ ਉਭਰਦਾ ਤਰੀਕਾ ਹੈ ਜਿੱਥੇ LLM ਨਾ ਸਿਰਫ਼ ਬਾਹਰੀ ਡਾਟਾ ਸਰੋਤਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਖਿੱਚਦੇ ਹਨ ਪਰ ਆਪਣੇ ਅਗਲੇ ਕਦਮ ਸੁਤੰਤਰভাবে ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ। ਸਥਿਰ ਰੀਟਰੀਵਲ-ਫਿਰ-ਪੜ੍ਹਨ ਪੈਟਰਨ ਜਾਂ ਧਿਆਨ ਨਾਲ ਲਿਖੀਆਂ ਪ੍ਰੰਪਟ ਕ੍ਰਮਾਂ ਤੋਂ ਵੱਖ, ਏਜੈਂਟਿਕ RAG ਵਿੱਚ LLM ਨੂੰ ਮੁੜ ਮੁੜ ਕਾਲਾਂ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਜੋ ਸੰਦ ਜਾਂ ਫੰਕਸ਼ਨ ਕਾਲਾਂ ਅਤੇ ਢਾਂਚਾਬੱਧ ਨਤੀਜਿਆਂ ਨਾਲ ਹੋਂਦ ਵਿੱਚ ਹੁੰਦੀਆਂ ਹਨ। ਹਰ ਕਦਮ ‘ਤੇ, ਸਿਸਟਮ ਪ੍ਰਾਪਤ ਨਤੀਜਿਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ, ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਕਿ ਪੁੱਛਗਿੱਛਾਂ ਨੂੰ ਸੁਧਾਰਨਾ ਹੈ ਜਾਂ ਨਹੀਂ, ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਹੋਰ ਸੰਦ ਬੁਲਾਂਦਾ ਹੈ, ਅਤੇ ਇਹ ਚੱਕਰ ਇਸ ਤਰ੍ਹਾਂ ਚਲਦਾ ਰਹਿੰਦਾ ਹੈ ਕਿ ਸੰਤੋਸ਼ਜਨਕ ਹੱਲ ਮਿਲ ਜਾਵੇ।

ਇਹ ਮੁੜ ਮੁੜ “ਮੈਕਰ-ਚੇਕਰ” ਸਰਗਰਮੀ ਸਹੀਤਾ ਨੂੰ ਸੁਧਾਰਨ ਲਈ, ਢਾਂਚਾਬੱਧ ਡੇਟਾਬੇਸ ਲਈ ਗਲਤ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਸੰਭਾਲਣ ਲਈ (ਜਿਵੇਂ ਕਿ NL2SQL) ਅਤੇ ਸੰਤੁਲਿਤ, ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੇ ਨਤੀਜਿਆਂ ਲਈ ਹੈ। ਸਿਰਫ ਧਿਆਨ ਨਾਲ ਤਿਆਰ ਕੀਤੀਆਂ ਪ੍ਰੰਪਟ ਚੇਨ ਲਾਗੂ ਕਰਨ ਦੀ ਥਾਂ, ਸਿਸਟਮ ਆਪਣੀ ਤਰਕਸ਼ੀਲ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਮਲਕ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਉਹਨਾਂ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਮੁੜ ਲਿਖ ਸਕਦਾ ਹੈ ਜੋ ਫੇਲ੍ਹ ਹੁੰਦੀਆਂ ਹਨ, ਵੱਖਰੇ ਰੀਟਰੀਵਲ ਢੰਗ ਚੁਣ ਸਕਦਾ ਹੈ ਅਤੇ ਕਈ ਸੰਦ ਜੋੜ ਸਕਦਾ ਹੈ—ਜਿਵੇਂ ਕਿ Azure AI Search ਵਿੱਚ ਵੇਕਟਰ ਖੋਜ, SQL ਡੇਟਾਬੇਸ, ਜਾਂ ਕਸਟਮ API—ਆਖ਼ਰੀ ਜਵਾਬ ਤੋਂ ਪਹਿਲਾਂ। ਇਹ ਜ਼ਿਆਦਾ ਜਟਿਲ ਆਰਕੀਟੈਕਚਰ ਫਰੇਮਵਰਕ ਦੀ ਲੋੜ ਖਤਮ ਕਰਦਾ ਹੈ। ਇਸ ਦੀ ਥਾਂ, ਇੱਕ ਸਧਾਰਣ ਚੱਕਰ “LLM ਕਾਲ → ਸੰਦ ਵਰਤੋਂ → LLM ਕਾਲ → …” ਬਹੁਤ ਹੀ ਸੁਧਰੇ ਅਤੇ ਠੋਸ ਨਤੀਜੇ ਦੇ ਸਕਦਾ ਹੈ।

ਤਰਕਸ਼ੀਲ ਪ੍ਰਕਿਰਿਆ ਦਾ ਮਲਕ ਬਣਾਉਣਾ

ਇੱਕ ਸਿਸਟਮ ਨੂੰ “ਏਜੈਂਟਿਕ” ਬਣਾਉਣ ਵਾਲੀ ਖਾਸ ਗੁਣਵੱਤਾ ਇਸ ਦੀ ਹੈ ਕਿ ਇਹ ਆਪਣੀ ਤਰਕਸ਼ੀਲ ਪ੍ਰਕਿਰਿਆ ਦਾ ਮਾਲਕ ਹੁੰਦਾ ਹੈ। ਰਵਾਇਤੀ RAG ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਅਕਸਰ ਮਨੁੱਖ ਮਾਡਲ ਲਈ ਪਹਿਲਾਂ ਤੋਂ ਇੱਕ ਪੱਥ ਤਿਆਰ ਕਰਦੇ ਹਨ: ਸੋਚ ਦੀ ਇੱਕ ਲੜੀ ਜੋ ਦੱਸਦੀ ਹੈ ਕਿ ਕੀ ਕਦਮ ਕਦੋਂ ਕਰਨੇ ਹਨ। ਪਰ ਜਦ ਇੱਕ ਸਿਸਟਮ ਸੱਚਮੁੱਚ ਏਜੈਂਟਿਕ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਇਹ ਅੰਦਰੂਨੀ ਤੌਰ ‘ਤੇ ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਕਿ ਸਮੱਸਿਆ ਨੂੰ ਕਿਵੇਂ ਹੱਲ ਕਰਨਾ ਹੈ। ਇਹ ਸਿਰਫ਼ ਸਕ੍ਰਿਪਟ ਚਲਾਉਣਾ ਨਹੀਂ ਹੈ; ਇਹ ਆਪਣੇ ਆਪ ਜਾਣਕਾਰੀ ਦੀ ਗੁਣਵੱਤਾ ਦੇ ਆਧਾਰ ‘ਤੇ ਕਦਮਾਂ ਦੀ ਲੜੀ ਤੈਅ ਕਰ ਰਿਹਾ ਹੁੰਦਾ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਜੇ ਇਸਨੂੰ ਇੱਕ ਪ੍ਰੋਡਕਟ ਲਾਂਚ ਰਣਨੀਤੀ ਬਣਾਉਣ ਲਈ ਕਿਹਾ ਜਾਵੇ, ਤਾਂ ਇਹ ਸਿਰਫ਼ ਉਸ ਪ੍ਰੰਪਟ ‘ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਹੁੰਦਾ ਜੋ ਪੂਰੇ ਅਨੁਸੰਧਾਨ ਅਤੇ ਫੈਸਲਾ-ਜਾਣਕਾਰੀ ਵਰਕਫਲੋ ਨੂੰ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ। ਬਦਲ ਕੇ, ਏਜੈਂਟਿਕ ਮਾਡਲ ਸੁਤੰਤਰਪੁਰਵਕ ਫੈਸਲਾ ਕਰਦਾ ਹੈ:

1. ਬਿੰਗ ਵੈਬ ਗ੍ਰਾਉਂਡਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮੌਜੂਦਾ ਮਾਰਕੀਟ ਟਰੇਂਡ ਰਿਪੋਰਟਾਂ ਹਾਸਲ ਕਰਨੀ
2. Azure AI Search ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਬੰਧਤ ਮੁਕਾਬਲੀ ਡਾਟਾ ਪਛਾਣਨਾ
3. Azure SQL ਡੇਟਾਬੇਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਤਿਹਾਸਕ ਅੰਦਰੂਨੀ ਵਿਕਰੀ ਮੈਟਰਿਕਸ ਨਾਲ ਸਬੰਧਿਤ ਕਰਨਾ
4. ਨਤੀਜਿਆਂ ਨੂੰ ਇੱਕ ਮਿਲਜੁਲ ਰਣਨੀਤੀ ਵਿੱਚ ਸਿੰਥਸਾਈਜ਼ ਕਰਨਾ ਜੋ Azure OpenAI ਸੇਵਾ ਰਾਹੀਂ ਸੰਚਾਲਿਤ ਹੋਈ
5. ਗੈਪ ਜਾਂ ਅਸੰਗਤੀਆਂ ਲਈ ਰਣਨੀਤੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਅਤੇ ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਮੁੜ ਖੋਜ ਕਰਨ ਲਈ ਪ੍ਰੰਪਟ ਕਰਨਾ ਇਹ ਸਾਰੇ ਕਦਮ — ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਸੰਵਾਰਨਾ, ਸਰੋਤ ਚੁਣਨਾ, ਜਵਾਬ ਨਾਲ “ਖੁਸ਼” ਹੋਣ ਤੱਕ ਮੁੜ ਮੜਨਾ — ਮਾਡਲ ਵੱਲੋਂ ਫੈਸਲੇ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਨਾ ਕਿ ਮਨੁੱਖ ਵੱਲੋਂ ਪਹਿਲਾਂ ਕਿਤੇ ਜਾ ਲਿਖੇ ਹੋਣ ਵਾਲੇ।

ਮੁੜ ਮੁੜ ਕਾਲਾਂ, ਸੰਦ ਇੰਟਿਗ੍ਰੇਸ਼ਨ ਅਤੇ ਯਾਦ

ਇੱਕ ਏਜੈਂਟਿਕ ਸਿਸਟਮ ਇੱਕ ਚੱਕਰਵਾਤ ਇੰਟਰਐਕਸ਼ਨ ਪੈਟਰਨ ਉੱਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ:

• ਸ਼ੁਰੂਆਤੀ ਕਾਲ: ਉਪਭੋਗਤਾ ਦਾ ਲੱਖ ਸੰਕੇਤ (ਉਪਭੋਗਤਾ ਪ੍ਰੰਪਟ) LLM ਨੂੰ ਪੇਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
• ਸੰਦ ਆਮੰਤ੍ਰਣ: ਜੇ ਮਾਡਲ ਮਿਸਿੰਗ ਜਾਣਕਾਰੀ ਜਾਂ ਅਸਪਸ਼ਟ ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਪਛਾਨਦਾ ਹੈ, ਤਾਂ ਇਹ ਇੱਕ ਸੰਦ ਜਾਂ ਰੀਟਰੀਵਲ ਢੰਗ ਚੁਣਦਾ ਹੈ—ਜਿਵੇਂ ਕਿ ਵੇਕਟਰ ਡੇਟਾਬੇਸ ਪੁੱਛਗਿੱਛ (ਜਿਵੇਂ Azure AI Search ਹਾਈਬ੍ਰਿਡ ਖੋਜ ਪ੍ਰਾਈਵੇਟ ਡਾਟਾ ਉੱਤੇ) ਜਾਂ ਇੱਕ ਢਾਂਚਾਪੱਧ SQL ਕਾਲ—ਅਧਿਕ ਸੰਦਰਭ ਇਕੱਠਾ ਕਰਨ ਲਈ।
• ਮੁਲਾਂਕਣ ਅਤੇ ਸੰਵਾਰ: ਵਾਪਸੀ ਡਾਟਾ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਮਾਡਲ ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਕਿ ਜਾਣਕਾਰੀ ਕਾਫ਼ੀ ਹੈ ਜਾਂ ਨਹੀਂ। ਜੇ ਨਹੀਂ, ਤਾਂ ਇਹ ਪ੍ਰਸ਼ਨ ਨੂੰ ਸੰਵਾਰਦਾ ਹੈ, ਵੱਖਰਾ ਸੰਦ ਅਜ਼ਮਾਉਂਦਾ ਹੈ ਜਾਂ ਆਪਣਾ ਨਜ਼ਰੀਆ ਬਦਲਦਾ ਹੈ।
• ਤੱਕ ਸੰਤੋਸ਼ਜਨਕ ਹੋਣ ਤੱਕ ਦੁਹਰਾਈ: ਇਹ ਚੱਕਰ ਜਾਰੀ ਰਹਿੰਦਾ ਹੈ ਜਦ ਤੱਕ ਮਾਡਲ ਇਹ ਨਿਰਣਾ ਨਾ ਕਰ ਲਵੇ ਕਿ ਇਸ ਕੋਲ ਇੱਕ ਅੰਤਿਮ, ਸਹੀ ਤਰਕਸ਼ੀਲ ਜਵਾਬ ਦੇਣ ਲਈ ਕਾਫ਼ੀ ਸਪਸ਼ਟਤਾ ਅਤੇ ਸਬੂਤ ਹਨ।
• ਯਾਦ ਅਤੇ ਸਥਿਤੀ: ਕਿਉਂਕਿ ਸਿਸਟਮ ਕਦਮਾਂ ਦਰਮਿਆਨ ਸਥਿਤੀ ਅਤੇ ਯਾਦ ਨੂੰ ਬਣਾਈ ਰੱਖਦਾ ਹੈ, ਇਹ ਪਹਿਲਾਂ ਦੇ ਯਤਨਾਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਯਾਦ ਰੱਖ ਸਕਦਾ ਹੈ, ਦੁਹਰਾਉਂਦੇ ਲੂਪਾਂ ਤੋਂ ਬਚਦਾ ਹੈ ਅਤੇ ਜਾਰੀ ਰਹਿੰਦੇ ਹੋਏ ਹੋਸ਼ਿਆਰ ਫੈਸਲੇ ਲੈ ਸਕਦਾ ਹੈ।

ਸਮੇਂ ਦੇ ਨਾਲ, ਇਸ ਨਾਲ ਇੱਕ ਵਧਦੀ ਸਮਝ ਦਾ ਅਹਿਸਾਸ ਬਣਦਾ ਹੈ, ਜੋ ਮਾਡਲ ਨੂੰ ਬਿਨਾਂ ਮਨੁੱਖ ਦੇ ਲਗਾਤਾਰ ਦਖ਼ਲੰਦਾਜ਼ੀ ਜਾਂ ਪ੍ਰੰਪਟ ਨੂੰ ਦੁਬਾਰਾ ਘੜਨ ਦੀ ਲੋੜ ਦੇ ਜਟਿਲ, ਕਈ ਕਦਮਾਂ ਵਾਲੀਆਂ ਕਾਰਜਵਾਹੀਆਂ ਨੈਵੀਗੇਟ ਕਰਨ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ।

ਫੇਲ੍ਹਯਾ ਮੋਡਾਂ ਦਾ ਸੰਭਾਲ ਅਤੇ ਖੁਦ ਠੀਕ ਕਰਨਾ

ਏਜੈਂਟਿਕ RAG ਦੀ ਸੁਤੰਤਰਤਾ ਵਿਚਕਾਰ ਮਜ਼ਬੂਤ ਖੁਦ-ਸੰਸ਼ੋਧਨ ਮਕੈਨੀਜ਼ਮ ਵੀ ਹੁੰਦੇ ਹਨ। ਜਦ ਸਿਸਟਮ ਮੰਦੇ ਹਾਲਾਤਾਂ ਨੂੰ ਪਹੁੰਚਦਾ ਹੈ—ਜਿਵੇਂ ਕਿ ਗਲਤ ਦਸਤਾਵੇਜ਼ ਪ੍ਰਾਪਤ ਕਰਨਾ ਜਾਂ ਗਲਤ ਪ੍ਰਸ਼ਨਾਂ ਦਾ ਸਾਹਮਣਾ—ਇਹ ਸਭ ਕੁਝ ਕਰ ਸਕਦਾ ਹੈ:

• ਮੁੜ ਕਰਨ ਅਤੇ ਦੁਬਾਰਾ ਪੁੱਛਗਿੱਛ ਕਰਨ: ਘੱਟ ਮੁੱਲ ਵਾਲੇ ਜਵਾਬਾਂ ਦੇ ਵਾਪਸ ਕਰਨ ਦੀ ਥਾਂ, ਮਾਡਲ ਨਵੇਂ ਖੋਜ ਰਣਨੀਤੀਆਂ ਅਜ਼ਮਾਉਂਦਾ ਹੈ, ਡੇਟਾਬੇਸ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਮੁੜ ਲਿਖਦਾ ਹੈ ਜਾਂ ਵੱਖਰੇ ਡਾਟਾ ਸੈੱਟਾਂ ਨੂੰ ਵੇਖਦਾ ਹੈ।
• ਡਾਇਗਨੋਸਟਿਕ ਸੰਦ ਵਰਤਣਾ: ਸਿਸਟਮ ਕਈ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਆਮੰਤ੍ਰਿਤ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਇਸ ਦੇ ਤਰਕਸ਼ੀਲ ਕਦਮਾਂ ਨੂੰ ਡੀਬੱਗ ਕਰਨ ਜਾਂ ਪ੍ਰਾਪਤ ਜਾਣਕਾਰੀ ਦੀ ਸਹੀਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਬਣਾਏ ਗਏ ਹਨ। ਐਜਰ AI ਟਰੇਸਿੰਗ ਵਰਗੇ ਸੰਦ ਮਜ਼ਬੂਤ ਨਿਰੀਕਸ਼ਣ ਅਤੇ ਮਾਨੀਟਰਨਿੰਗ ਯੋਗ ਬਣਾਉਣ ਲਈ ਜਰੂਰੀ ਹੋਣਗੇ।
• ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ‘ਤੇ ਨਿਰਭਰਤਾ: ਉੱਚ-ਦੂਜੇ ਵਾਲੀਆਂ ਜਾਂ ਮੁੜ ਮੁੜ ਅਸਫਲ ਹੋਣ ਵਾਲੀਆਂ ਸਥਿਤੀਆਂ ਲਈ, ਮਾਡਲ ਸੰਭਵਤਾ ਦਿੱਸਦਾ ਹੈ ਅਤੇ ਮਨੁੱਖੀ ਮਦਦ ਮੰਗਦਾ ਹੈ। ਜਿਵੇਂ ਹੀ ਮਨੁੱਖ ਸਹੀ ਫੀਡਬੈਕ ਦਿੰਦਾ ਹੈ, ਮਾਡਲ ਉਹ ਸਬਕ ਅੱਗੇ ਵਰਤ ਸਕਦਾ ਹੈ।

ਇਸ ਮੁੜ ਮੁੜ ਅਤੇ ਗਤੀਸ਼ੀਲ ਤਰੀਕੇ ਨਾਲ ਮਾਡਲ ਲਗਾਤਾਰ ਸੁਧਾਰ ਕਰਦਾ ਹੈ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਇਹ ਸਿਰਫ਼ ਇੱਕ ਵਾਰ ਦਾ ਸੀਸਟਮ ਨਹੀਂ, ਸੈਸ਼ਨ ਦੌਰਾਨ ਆਪਣੀਆਂ ਗਲਤੀਆਂ ਤੋਂ ਸਿੱਖਣ ਵਾਲਾ ਹੈ।

ਏਜੰਸੀ ਦੀਆਂ ਸੀਮਾਵਾਂ

ਇੱਕ ਕਾਰਜ ਦੇ ਅੰਦਰ ਆਪਣੀ ਸੁਤੰਤਰਤਾ ਦੇ ਬਾਵਜੂਦ, ਏਜੈਂਟਿਕ RAG ਕ੍ਰਿਤਰਿਮ ਆਮ ਬੁੱਧੀ (AGI) ਮਿਲਦਾ-ਜੁਲਦਾ ਨਹੀਂ। ਇਸ ਦੀਆਂ “ਏਜੈਂਟਿਕ” ਸਮਰੱਥਾਵਾਂ ਮਨੁੱਖੀ ਵਿਕਾਸਕਾਰਾਂ ਵੱਲੋਂ ਦਿੱਤੇ ਗਏ ਸੰਦਾਂ, ਡਾਟਾ ਸਰੋਤਾਂ, ਅਤੇ ਨੀਤੀਆਂ ਤੱਕ ਸਿਮਤ ਹਨ। ਇਹ ਆਪਣੇ ਸੰਦ ਨਹੀਂ ਬਣਾਉਂਦਾ ਜਾਂ ਉਸ ਖੇਤਰ ਦੀਆਂ ਸੀਮਾਵਾਂ ਤੋਂ ਬਾਹਰ ਨਹੀਂ ਜਾ ਸਕਦਾ ਜੋ ਵਿਆਪਕ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ। ਇਹ ਮੌਜੂਦਾ ਸਰੋਤਾਂ ਨੂੰ ਗਤੀਸ਼ੀਲ ਤਰੀਕੇ ਨਾਲ ਸਮਰਪਿਤ ਕਰਨ ਵਿੱਚ ਬੇਹਤਰੀਨ ਹੈ। ਮੁੱਖ ਫਰਕ ਬਹੁਤ ਅੱਗੇ ਵਧੇ ਹੋਏ AI ਰੂਪਾਂ ਨਾਲ ਇਹ ਹਨ:

1. ਖੇਤਰ-ਖਾਸ ਸੁਤੰਤਰਤਾ: ਏਜੈਂਟਿਕ RAG ਸਿਸਟਮ ਇਕ ਜਾਣੇ ਪਹਚਾਣੇ ਖੇਤਰ ਵਿੱਚ ਯੂਜ਼ਰ-ਤਿਆਰ ਕੀਤੇ ਲੱਖ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ‘ਤੇ ਕੇਂਦ੍ਰਿਤ ਹਨ, ਨਤੀਜਿਆਂ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਪ੍ਰਸ਼ਨ ਮੁੜ ਲਿਖਣ ਜਾਂ ਸੰਦ ਚੁਣਨ ਵਰਗੀਆਂ ਰਣਨੀਤੀਆਂ ਵਰਤਦੇ ਹਨ।
2. ਇੰਫਰਾਸਟਰੱਕਚਰ-ਨਿਰਭਰ: ਸਿਸਟਮ ਦੀ ਸਮਰੱਥਾ ਵਿਕਾਸਕਾਰਾਂ ਵੱਲੋਂ ਜੋੜੇ ਗਏ ਸੰਦਾਂ ਅਤੇ ਡਾਟਾ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਮਨੁੱਖੀ ਦਖ਼ਲ ਦੇ ਬਿਨਾਂ ਇਹ ਸੀਮਾਵਾਂ ਪਾਰ ਨਹੀਂ ਕਰ ਸਕਦਾ।
3. ਗਾਰਡਰੇਲਜ਼ ਦਾ ਸਨਮਾਨ: ਨੈਤਿਕ ਗਾਈਡਲਾਈਨਜ਼, ਅਨੁਕੂਲਤਾ ਨਿਯਮ, ਅਤੇ ਕਾਰੋਬਾਰੀ ਨੀਤੀਆਂ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਰਹਿੰਦੀਆਂ ਹਨ। ਏਜੰਟ ਦੀ ਸੁਤੰਤਰਤਾ ਹਮੇਸ਼ਾ ਸੁਰੱਖਿਆ ਉਪਾਈਆਂ ਅਤੇ ਨਿਗਰਾਨੀ ਮਕੈਨਿਜ਼ਮਾਂ ਨਾਲ ਸੀਮਤ ਰਹਿੰਦੀ ਹੈ (ਉਮੀਦ ਹੈ?).

ਵਾਸਤਵਿਕ ਵਰਤੋਂ ਦੇ ਕੇਸ ਅਤੇ ਮੁੱਲ

ਏਜੈਂਟਿਕ RAG ਉਹ ਸਥਿਤੀਆਂ ਵਿੱਚ ਚਮਕਦਾ ਹੈ ਜਿੱਥੇ ਮੁੜ ਸੁਧਾਰ ਅਤੇ ਸਹੀਅਤਾ ਜਰੂਰੀ ਹੈ:

1. ਸਹੀਤਾ-ਪਹਿਲਾਂ ਵਾਲੇ ਵਾਤਾਵਰਣ: ਅਨੁਕੂਲਤਾ ਜਾਂਚਾਂ, ਨਿਯਮਕ ਵਿਸ਼ਲੇਸ਼ਣ ਜਾਂ ਕਾਨੂੰਨੀ ਅਨੁਸੰਧਾਨ ਵਿੱਚ, ਏਜੈਂਟਿਕ ਮਾਡਲ ਫੈਕਟਾਂ ਦੀ ਬਾਰੰਬਾਰ ਜਾਂਚ ਕਰ ਸਕਦਾ ਹੈ, ਕਈ ਸਰੋਤਾਂ ਨਾਲ ਸਲਾਹ-ਮਸ਼ਵਰਾ ਕਰਦਾ ਹੈ ਅਤੇ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖਦਾ ਹੈ ਜਦ ਤੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਪਰਖਿਆ ਹੋਇਆ ਜਵਾਬ ਤਿਆਰ ਨਹੀਂ ਹੋ ਜਾਂਦਾ।
2. ਜਟਿਲ ਡੇਟਾਬੇਸ ਇੰਟਰੈਕਸ਼ਨ: ਜਦ ਸਟ੍ਰਕਚਰਡ ਡਾਟਾ ਨਾਲ ਸੌਂਝ ਕਰਨਾ ਹੋਵੇ ਜਿੱਥੇ ਪ੍ਰਸ਼ਨਾਂ ਅਕਸਰ ਫੇਲ੍ਹ ਜਾਂ ਸੁਧਾਰ ਦੀ ਜ਼ਰੂਰਤ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਸਿਸਟਮ ਆਪਣੇ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਸੁਤੰਤਰਪੁਰਵਕ ਐਜ਼ਰ SQL ਜਾਂ ਮਾਇਕ੍ਰੋਸਾਫਟ ਫੈਬਰਿਕ OneLake ਦੀ ਵਰਤੋਂ ਨਾਲ ਮੁੜ ਸੁਧਾਰਦਾ ਹੈ, ਯਕੀਨ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਅੰਤਿਮ ਰੀਟਰੀਵਲ ਉਪਭੋਗਤਾ ਦੇ ਭਾਵ ਨਾਲ ਸੰਗਤ ਹੈ।
3. ਵਧੇਰੇ ਵਰਕਫਲੋਜ਼: ਲੰਮੀ ਸਮੇਂ ਤੱਕ ਚੱਲਣ ਵਾਲੇ ਸੈਸ਼ਨ ਨਵੇਂ ਜਾਣਕਾਰੀ ਦਾ ਸਮੇਸ਼ ਕਰਕੇ ਵਿਕਸਤ ਹੋ ਸਕਦੇ ਹਨ। ਏਜੈਂਟਿਕ RAG ਲਗਾਤਾਰ ਨਵੇਂ ਡਾਟੇ ਨੂੰ ਸ਼ਾਮਿਲ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਜਿਵੇਂ ਇਹ ਸਮੱਸਿਆ ਨੂੰ ਜ਼ਿਆਦਾ ਜਾਣਦਾ ਹੈ ਰਣਨੀਤੀਆਂ ਬਦਲਦਾ ਹੈ।

ਸਰਕਾਰ, ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਭਰੋਸਾ

ਜਿਵੇਂ ਇਹ ਸਿਸਟਮ ਆਪਣੇ ਤਰਕਸ਼ੀਲਤਾ ਵਿੱਚ ਹੋਰ ਸੁਤੰਤਰ ਹੋ ਰਹੇ ਹਨ, ਸਰਕਾਰ ਅਤੇ ਪਾਰਦਰਸ਼ਤਾ ਬਹੁਤ ਜਰੂਰੀ ਹਨ:

• ਵਿਆਖਿਆਯੋਗ ਤਰਕਸ਼ੀਲਤਾ: ਮਾਡਲ ਉਹ ਪ੍ਰਸ਼ਨ ਜਿਹੜੇ ਇਸਨੇ ਕੀਤੇ, ਜਿਨ੍ਹਾਂ ਸਰੋਤਾਂ ਨਾਲ ਸਲਾਹ ਮਸ਼ਵਰਾ ਕੀਤਾ, ਅਤੇ ਜਿਸ ਤਰਕਸ਼ੀਲ ਪ੍ਰਕਿਰਿਆ ਰਾਹੀਂ ਫੈਸਲਾ ਕੀਤਾ ਉਹ ਸਾਰੇ ਰਿਕਾਰਡ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ। ਐਜਰ AI Content Safety ਅਤੇ Azure AI Tracing / GenAIOps ਵਰਗੇ ਸੰਦ ਪਾਰਦਰਸ਼ਤਾ ਬਰਕਰਾਰ ਰੱਖਣ ਅਤੇ ਖ਼ਤਰਿਆਂ ਨੂੰ ਘਟਾਉਣ ਵਿੱਚ ਮਦਦਗਾਰ ਹੋਣਗੇ।
• ਪੱਖਪਾਤ ਨਿਯੰਤਰਣ ਅਤੇ ਸੰਤੁਲਿਤ ਰੀਟਰੀਵਲ: ਵਿਕਾਸਕਾਰ ਰੀਟਰੀਵਲ ਰਣਨੀਤੀਆਂ ਨੂੰ ਟਿਊਨ ਕਰ ਸਕਦੇ ਹਨ ਤਾਂ ਜੋ ਸੰਤੁਲਿਤ, ਪ੍ਰਤੀਨਿਧੀ ਡਾਟਾ ਸਰੋਤ ਵਿਚਾਰ ਕੀਤੇ ਜਾਣ ਅਤੇ ਨਿਯਮਤ ਤੌਰ ‘ਤੇ ਆਉਟਪੁੱਟ ਦਾ ਆਡਿਟ ਕੀਤਾ ਜਾਵੇ, ਪੱਖਪਾਤ ਜਾਂ ਵੰਕੜੇ ਪੈਟਰਨ ਪਛਾਣਣ ਲਈ ਐਡਵਾਂਸਡ ਡਾਟਾ ਸਾਇੰਸ ਸੰਗਠਨਾਂ ਲਈ ਕਸਟਮ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਜੋ Azure Machine Learning ਵਰਤਦੇ ਹਨ।
• ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਅਤੇ ਅਨੁਕੂਲਤਾ: ਸੰਵੇਦਨਸ਼ੀਲ ਕਾਰਜਾਂ ਲਈ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਅਹਿਮ ਰਹਿੰਦੀ ਹੈ। ਏਜੈਂਟਿਕ RAG ਉੱਚ-ਦੂਜੇ ਵਾਲੇ ਫੈਸਲਿਆਂ ਵਿੱਚ ਮਨੁੱਖੀ ਫਿਰਾਕਾਰੀ ਦੀ ਥਾਂ ਨਹੀਂ ਲੈਂਦਾ—ਇੱਕ ਅਜਿਹਾ ਟੂਲ ਹੈ ਜੋ ਜ਼ਿਆਦਾ ਪੂਰੇ ਤੌਰ ‘ਤੇ ਪਰਖੇ ਗਏ ਵਿਕਲਪਾਂ ਨੂੰ ਪੇਸ਼ ਕਰਦਾ ਹੈ।

ਅਜਿਹੇ ਸੰਦ ਜਿਹੜੇ ਇੱਕ ਸਪਸ਼ਟ ਕਾਰਵਾਈ ਦਾ ਰਿਕਾਰਡ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ, ਬਹੁਤ ਜਰੂਰੀ ਹਨ। ਇਨ੍ਹਾਂ ਤੋਂ ਬਿਨਾਂ, ਇੱਕ ਬਹੁ-ਕਦਮੀ ਪ੍ਰਕਿਰਿਆ ਦੀ ਡੀਬੱਗਿੰਗ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੋ ਸਕਦੀ ਹੈ। Literal AI (ਜੋ Chainlit ਦੇ ਪਿੱਛੇ ਕੰਪਨੀ ਹੈ) ਤੋਂ ਇਸ ਏਜੰਟ ਦੌੜਨ ਲਈ ਹੇਠਾਂ ਇੱਕ ਉਦਾਹਰਣ ਦੇਖੋ:

ਨਤੀਜਾ

ਏਜੈਂਟਿਕ RAG ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ AI ਸਿਸਟਮ ਕਿਵੇਂ ਜਟਿਲ, ਡਾਟਾ-ਘਣੇ ਕਾਰਜਾਂ ਨੂੰ ਸੰਭਾਲਦੇ ਹਨ। ਇੱਕ ਚੱਕਰਵਾਤ ਇੰਟਰਐਕਸ਼ਨ ਪੈਟਰਨ ਅਪਣਾਉਣ, ਸੰਦ ਸੁਤੰਤਰ ਤੇ ਚੁਣਨ ਅਤੇ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਸੁਧਾਰਦੇ ਹੋਏ ਉੱਚ-ਗੁਣਵੱਤਾ ਨਤੀਜਾ ਲੈਣ ਦੇ ਰਾਹ ‘ਤੇ ਸਿਸਟਮ ਆਮ ਸਥਿਰ ਪ੍ਰੰਪਟ-ਅਨੁਸਰਣ ਤੋਂ ਅੱਗੇ ਵਧਦਾ ਹੈ ਅਤੇ ਵਧੇਰੇ ਲਚੀਲਾ, ਸੰਦਰਭ ਸੂਚੀਤ ਫੈਸਲਾ-ਕਰਨ ਵਾਲਾ ਬਣਦਾ ਹੈ। ਜਿਵੇਂ ਹੀ ਇਹ ਮਨੁੱਖੀ-ਤਿਆਰ ਇੰਫਰਾਸਟਰੱਕਚਰਾਂ ਅਤੇ ਨੈਤਿਕ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ ਨਾਲ ਸੀਮਤ ਰਹਿੰਦਾ ਹੈ, ਇਹ ਏਜੈਂਟਿਕ ਸਮਰੱਥਾਵਾਂ ਉਦਯੋਗਾਂ ਅਤੇ ਅੰਤ-ਉਪਭੋਗਤਾਵਾਂ ਦੋਹਾਂ ਲਈ ਹੋਰ ਗੰਭੀਰ, ਗਤੀਸ਼ੀਲ ਅਤੇ ਅੰਤ ਵਿੱਚ ਜ਼ਿਆਦਾ ਉਪਯੋਗੀ AI ਇੰਟਰਐਕਸ਼ਨ ਸਮਭਵ ਬਣਾਉਂਦੀਆਂ ਹਨ।

ਏਜੈਂਟਿਕ RAG ਬਾਰੇ ਹੋਰ ਸਵਾਲ ਹਨ?

ਹੋਰ ਸਿੱਖਣ ਵਾਲਿਆਂ ਨਾਲ ਮਿਲਣ ਲਈ, ਦਫ਼ਤਰ ਸਮੇਂ ਭਾਗ ਲੈਣ ਅਤੇ ਆਪਣੇ AI ਏਜੰਟ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਲੈਣ ਲਈ Microsoft Foundry Discord ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ।

ਵਾਧੂ ਸਰੋਤ

• Azure OpenAI ਸੇਵਾ ਨਾਲ ਰੀਟ੍ਰੀਵਲ ਆਗਮੈਂਟਡ ਜੇਨੇਰੇਸ਼ਨ (RAG) ਲਾਗੂ ਕਰੋ: ਆਪਣਾ ਡਾਟਾ Azure OpenAI ਸੇਵਾ ਨਾਲ ਕਿਵੇਂ ਵਰਤਣਾ ਹੈ ਸਿੱਖੋ। ਇਹ Microsoft Learn ਮਾਡਿਊਲ ਰੀਟ੍ਰੀਵਲ ਆਗਮੈਂਟਡ ਜੇਨੇਰੇਸ਼ਨ ਲਾਗੂ ਕਰਨ ਤੇ ਇਕ ਵਿਸਤ੍ਰਿਤ ਗਾਈਡ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ
• Microsoft Foundry ਨਾਲ ਜਨਰੂਪ ਰੂਪ ਤੋਂ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਦਾ ਮੁਲਾਂਕਣ: ਇਹ ਲੇਖ ਸਾਰਵਜਨਿਕ ਤੌਰ ਤੇ ਉਪਲਬਧ ਡੇਟਾਸੈੱਟਾਂ ‘ਤੇ ਮਾਡਲਾਂ ਦੀ ਮੁਲਾਂਕਣ ਅਤੇ ਤੁਲਨਾ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਏਜੈਂਟਿਕ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਅਤੇ RAG ਆਰਕੀਟੈਕਚਰ ਸ਼ਾਮਲ ਹਨ
• ਏਜੈਂਟਿਕ RAG ਕੀ ਹੈ | Weaviate

• Agentic RAG: ਏਜੈਂਟ-ਆਧਾਰਿਤ ਰੀਟ੍ਰੀਵਲ ਆਗਮੈਂਟਡ ਜੇਨੇਰੇਸ਼ਨ ਲਈ ਪੂਰੀ ਗਾਈਡ – ਜਨਰੇਸ਼ਨ RAG ਤੋਂ ਖ਼ਬਰਾਂ

• ਏਜੈਂਟਿਕ RAG: ਕਵੇਰੀ ਰੀਫਾਰਮੂਲੇਸ਼ਨ ਅਤੇ ਸਵੈ-ਕਵੇਰੀ ਨਾਲ ਆਪਣੀ RAG ਨੂੰ ਟਰਬੋਚਾਰਜ ਕਰੋ! Hugging Face ਖੁੱਲਾ ਸਰੋਤ ਏਆਈ ਕੁੱਕਬੁੱਕ
• RAG ਵਿੱਚ ਏਜੈਂਟਿਕ ਲੇਅਰਸ ਜੌੜਨਾ
• ਜਾਣਕਾਰੀ ਸਹਾਇਕਾਂ ਦਾ ਭਵਿੱਖ: ਜੈਰੀ ਲਿਊ
• ਏਜੈਂਟਿਕ RAG ਸਿਸਟਮ ਬਣਾਉਣ ਦਾ ਤਰੀਕਾ
• ਆਪਣੇ ਏਆਈ ਏਜੰਟਾਂ ਨੂੰ ਸਕੇਲ ਕਰਨ ਲਈ Microsoft Foundry Agent ਸੇਵਾ ਦੀ ਵਰਤੋਂ

ਅਕਾਡਮਿਕ ਪੇਪਰ

• 2303.17651 ਸਵੈ-ਸੰਵਰਧਨ: ਸਵੈ-ਫੀਡਬੈਕ ਨਾਲ ਕ੍ਰਮਿਕ ਸੁਧਾਰ
• 2303.11366 ਰਿਫਲੇਕਸ਼ਨ: ਮੌਖਿਕ ਰੀਇਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਵਾਲੇ ਭਾਸ਼ਾ ਏਜੰਟ
• 2305.11738 CRITIC: ਵੱਡੇ ਭਾਸ਼ਾਈ ਮਾਡਲ ਇੱਕ ਸੰਦ-ਇੰਟਰੈਕਟਿਵ ਟੀਕਾਕਾਰੀ ਨਾਲ ਸਵੈ-ਸੁਧਾਰ ਕਰ ਸਕਦੇ ਹਨ
• 2501.09136 ਏਜੈਂਟਿਕ ਰੀਟਰੀਵਲ-ਆਗਮੈਂਟਿਡ ਜਨਰੇਸ਼ਨ: ਏਜੈਂਟਿਕ RAG ‘ਤੇ ਇੱਕ ਸਰਵੇਖਣ

ਇਸ ਏਜੰਟ ਦੀ ਸਮੋਕ-ਟੈਸਟਿੰਗ (ਐਚਛਿਕ)

ਜਦੋਂ ਤੁਸੀਂ ਪਾਠ 16 ਵਿੱਚ ਏਜੰਟ ਤੈਨਾਤ ਕਰਨਾ ਸਿੱਖ ਲੈਂਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਇਸ ਪਾਠ ਦਾ TravelRAGAgent ਸਮੋਕ-ਟੈਸਟ ਕਰ ਸਕਦੇ ਹੋ — ਇਹ ਚੈੱਕ ਕਰਨ ਲਈ ਕਿ ਇਸ ਦੇ ਜਵਾਬ ਗਿਆਨ ਅਧਾਰ ‘ਤੇ ਟਿਕੇ ਰਹਿੰਦੇ ਹਨ — tests/lesson-05-smoke-tests.json ਨਾਲ। ਇਸਨੂੰ ਚਲਾਉਣ ਲਈ ਵੇਖੋ tests/README.md।

ਪਿਛਲਾ ਪਾਠ

ਟੂਲ ਯੂਜ਼ ਡਿਜ਼ਾਈਨ ਪੈਟਰਨ

ਅਗਲਾ ਪਾਠ

ਭਰੋਸੇਮੰਦ ਏਆਈ ਏਜੰਟ ਬਣਾਉਣਾ

---

ਅਸਵੀਕਾਰੋਪਣ: ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ ਏਆਈ ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾਵਾਂ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਮੱਤਿਆਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਰੂਰੀ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੇ ਉਪਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜਵਾਬਦੇਹ ਨਹੀਂ ਹਾਂ।

This site is open source. Improve this page.