ai-agents-for-beginners

Agentic RAG

(Kliknij powyższy obrazek, aby obejrzeć wideo z tej lekcji)

Agentic RAG

Ta lekcja przedstawia kompleksowy przegląd Agentic Retrieval-Augmented Generation (Agentic RAG), nowatorskiego paradygmatu SI, w którym duże modele językowe (LLM) autonomicznie planują swoje kolejne kroki, jednocześnie pozyskując informacje z zewnętrznych źródeł. W przeciwieństwie do statycznych wzorców pobierania-then-odczytu, Agentic RAG zakłada iteracyjne wywołania LLM, przeplatane wywołaniami narzędzi lub funkcji oraz strukturą wyjściową. System ocenia wyniki, doprecyzowuje zapytania, wywołuje dodatkowe narzędzia w razie potrzeby i kontynuuje ten cykl, aż osiągnie satysfakcjonujące rozwiązanie.

Wprowadzenie

Ta lekcja obejmie

Cele nauki

Po ukończeniu tej lekcji będziesz potrafił/zrozumiesz:

Czym jest Agentic RAG?

Agentic Retrieval-Augmented Generation (Agentic RAG) to nowatorski paradygmat SI, w którym duże modele językowe (LLM) autonomicznie planują swoje kolejne kroki, korzystając jednocześnie z informacji pozyskiwanych ze źródeł zewnętrznych. W odróżnieniu od statycznych schematów pobierania-then-odczytu, Agentic RAG polega na iteracyjnych wywołaniach LLM, przeplatanych wywołaniami narzędzi lub funkcji i generowaniu uporządkowanych wyników. System ocenia rezultaty, doprecyzowuje zapytania, w razie potrzeby wywołuje dodatkowe narzędzia i powtarza ten cykl, aż zostanie osiągnięte satysfakcjonujące rozwiązanie. Ten iteracyjny styl “maker-checker” zwiększa poprawność, reaguje na błędnie sformułowane zapytania i gwarantuje wyniki wysokiej jakości.

System aktywnie zarządza własnym procesem rozumowania, modyfikując nieudane zapytania, wybierając różne metody pobierania i integrując wiele narzędzi — takich jak wyszukiwanie wektorowe w Azure AI Search, bazy danych SQL czy niestandardowe API — zanim sfinalizuje odpowiedź. Charakterystyczną cechą systemu agentowego jest zdolność do zarządzania własnym procesem rozumowania. Tradycyjne implementacje RAG opierają się na uprzednio zdefiniowanych ścieżkach, natomiast system agentowy autonomicznie określa kolejność działań na podstawie jakości znalezionych informacji.

Definicja Agentic Retrieval-Augmented Generation (Agentic RAG)

Agentic Retrieval-Augmented Generation (Agentic RAG) to nowy paradygmat w rozwoju SI, w którym LLM nie tylko pobierają dane ze źródeł zewnętrznych, ale również autonomicznie planują kolejne kroki. W przeciwieństwie do statycznych wzorców pobierania-then-odczytu lub starannie zaprojektowanych sekwencji promptów, Agentic RAG polega na pętli iteracyjnych wywołań do LLM, przeplatanych wywołaniami narzędzi lub funkcji oraz generowaniem uporządkowanych wyników. Na każdym etapie system ocenia otrzymane rezultaty, decyduje, czy doprecyzować zapytania, w razie potrzeby uruchamia dodatkowe narzędzia i kontynuuje cykl aż do uzyskania satysfakcjonującego wyniku.

Ten iteracyjny, styl “maker-checker” ma na celu poprawę poprawności, obsługę błędnych zapytań do baz danych strukturalnych (np. NL2SQL) oraz zapewnienie wyważonych, wysokiej jakości wyników. Zamiast opierać się wyłącznie na starannie skonstruowanych łańcuchach promptów, system aktywnie zarządza swoim procesem rozumowania. Potrafi przepisywać zapytania, które zakończyły się niepowodzeniem, wybierać różne metody pozyskiwania danych oraz integrować wiele narzędzi — takich jak wyszukiwanie wektorowe w Azure AI Search, bazy danych SQL czy niestandardowe API — zanim ostatecznie udzieli odpowiedzi. Dzięki temu nie ma potrzeby stosowania nadmiernie skomplikowanych frameworków orkiestracji. Zamiast tego stosunkowo prosta pętla „wywołanie LLM → użycie narzędzia → wywołanie LLM → …” może generować zaawansowane i dobrze ugruntowane wyniki.

Główna pętla Agentic RAG

Zarządzanie procesem rozumowania

Cechą wyróżniającą, która czyni system „agenticznym”, jest jego zdolność do zarządzania własnym procesem rozumowania. Tradycyjne implementacje RAG często wymagają, aby ludzie wcześniej definiowali ścieżkę dla modelu: łańcuch myślenia opisujący, co i kiedy należy pozyskać. Jednak gdy system jest naprawdę agenticznym, samodzielnie decyduje, jak podejść do problemu. Nie wykonuje jedynie skryptu — autonomicznie ustala kolejność kroków na podstawie jakości znalezionych informacji. Na przykład, jeśli poproszony jest o stworzenie strategii wprowadzenia produktu na rynek, nie polega jedynie na promptcie, który opisuje cały proces badawczo-decyzyjny. Zamiast tego model agentowy samodzielnie decyduje o:

  1. Pobieraniu aktualnych raportów o trendach rynkowych za pomocą Bing Web Grounding
  2. Identyfikacji odpowiednich danych konkurencji z wykorzystaniem Azure AI Search.
  3. Korelowaniu historycznych wewnętrznych wskaźników sprzedaży z bazą danych Azure SQL.
  4. Syntezie wyników w spójną strategię koordynowaną przez Azure OpenAI Service.
  5. Ocena strategii pod kątem braków lub niespójności, uruchamiając kolejną rundę pobierania, jeśli jest to konieczne. Wszystkie te kroki — doprecyzowywanie zapytań, wybór źródeł, iteracje aż do zadowolenia z odpowiedzi — podejmuje model, a nie są one z góry zaprogramowane przez człowieka.

Iteracyjne pętle, integracja narzędzi i pamięć

Architektura integracji narzędzi

System agentowy opiera się na wzorcu interakcji opartej na pętli:

Z czasem tworzy się poczucie rozwijającego się zrozumienia, pozwalające modelowi realizować złożone, wieloetapowe zadania bez potrzeby stałej interwencji człowieka lub przekształcania promptu.

Obsługa trybów awaryjnych i samokorekta

Autonomia Agentic RAG obejmuje także solidne mechanizmy samokorekty. Kiedy system napotyka na ślepe zaułki — takie jak pobieranie nieistotnych dokumentów lub natrafienie na błędne zapytania — może:

To iteracyjne i dynamiczne podejście pozwala modelowi na ciągłą poprawę, dzięki czemu nie jest to system jednorazowy, lecz taki, który uczy się na swoich błędach podczas danej sesji.

Mechanizm samokorekty

Granice autonomii

Pomimo autonomii w ramach danego zadania, Agentic RAG nie jest odpowiednikiem Sztucznej Ogólnej Inteligencji. Jego możliwości „agentic” są ograniczone do narzędzi, źródeł danych i polityk dostarczonych przez programistów. Nie potrafi samodzielnie tworzyć narzędzi ani wykraczać poza ustalone granice domeny. Zamiast tego jego mocą jest dynamiczne zarządzanie dostępnych zasobów. Kluczowe różnice w stosunku do bardziej zaawansowanych form SI to:

  1. Autonomia specyficzna dla domeny: Systemy Agentic RAG skupiają się na osiąganiu celów zdefiniowanych przez użytkownika w znanej domenie, wykorzystując strategie takie jak przepisywanie zapytań lub wybór narzędzi w celu poprawy wyników.
  2. Zależność od infrastruktury: Zdolności systemu opierają się na narzędziach i danych zintegrowanych przez programistów. Nie może przekraczać tych granic bez ludzkiej interwencji.
  3. Poszanowanie zasad bezpieczeństwa: Wytyczne etyczne, przepisy i polityki biznesowe pozostają kluczowe. Wolność agenta jest zawsze ograniczona przez środki bezpieczeństwa i mechanizmy nadzoru (miejmy nadzieję).

Praktyczne zastosowania i wartość

Agentic RAG sprawdza się w scenariuszach wymagających iteracyjnego dopracowywania i precyzji:

  1. Środowiska nastawione na poprawność: W kontrolach zgodności, analizach regulacyjnych czy badaniach prawnych model agentowy może wielokrotnie weryfikować fakty, korzystać z wielu źródeł i przepisywać zapytania, aż uzyska w pełni zweryfikowaną odpowiedź.
  2. Złożone interakcje z bazami danych: W przypadku pracy z danymi strukturalnymi, gdzie zapytania często zawodzą lub wymagają korekty, system samodzielnie doprecyzowuje zapytania przy użyciu Azure SQL lub Microsoft Fabric OneLake, zapewniając, że końcowe wyniki odpowiadają intencjom użytkownika.
  3. Rozbudowane przepływy pracy: Dłuższe sesje mogą ewoluować w miarę pojawiania się nowych danych. Agentic RAG może na bieżąco włączać nowe informacje, zmieniając strategie w trakcie poznawania przestrzeni problemowej.

Zarządzanie, przejrzystość i zaufanie

W miarę jak systemy te stają się bardziej autonomiczne w swoim rozumowaniu, zarządzanie i przejrzystość są kluczowe:

Posiadanie narzędzi zapewniających jasną historię działań jest kluczowe. Bez nich debugowanie wieloetapowego procesu może być bardzo trudne. Zobacz poniższy przykład z Literal AI (firma stojąca za Chainlit) przedstawiający przebieg agenta:

Przykład działania agenta

Podsumowanie

Agentic RAG to naturalna ewolucja w sposobie, w jaki systemy SI radzą sobie ze złożonymi, wymagającymi danych zadaniami. Dzięki przyjęciu wzoru interakcji opartego na pętli, autonomicznemu wyborowi narzędzi oraz doprecyzowywaniu zapytań aż do uzyskania wysokiej jakości wyniku, system wychodzi poza statyczne podążanie za promptem i staje się bardziej adaptacyjnym, świadomym kontekstu decydentem. Choć nadal ograniczony przez zdefiniowaną przez ludzi infrastrukturę i zasady etyczne, te agentowe możliwości umożliwiają bogatsze, bardziej dynamiczne i ostatecznie użyteczniejsze interakcje SI zarówno dla przedsiębiorstw, jak i użytkowników końcowych.

Masz więcej pytań o Agentic RAG?

Dołącz do Microsoft Foundry Discord, aby spotkać innych uczących się, uczestniczyć w godzinach konsultacji i uzyskać odpowiedzi na pytania dotyczące agentów SI.

Dodatkowe zasoby

Artykuły naukowe

Wstępne testowanie tego agenta (opcjonalne)

Po nauczeniu się wdrażania agentów w Lekcji 16, możesz wstępnie przetestować agenta TravelRAGAgent z tej lekcji — sprawdzając, czy jego odpowiedzi są oparte na bazie wiedzy — za pomocą tests/lesson-05-smoke-tests.json. Instrukcje uruchomienia znajdziesz w tests/README.md.

Poprzednia lekcja

Wzorzec użycia narzędzi

Następna lekcja

Budowanie godnych zaufania agentów AI

Zastrzeżenie: Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Choć dążymy do dokładności, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub niedokładności. Oryginalny dokument w jego języku źródłowym należy uznawać za autorytatywne źródło. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.

This site is open source. Improve this page.