ai-agents-for-beginners

(Нажмите на изображение выше, чтобы посмотреть видео этого урока)

Agentic RAG

Этот урок предоставляет всесторонний обзор Agentic Retrieval-Augmented Generation (Agentic RAG), новой парадигмы искусственного интеллекта, в которой большие языковые модели (LLM) самостоятельно планируют свои следующие шаги, извлекая информацию из внешних источников. В отличие от статичных шаблонов «извлечь-затем-прочитать», Agentic RAG включает в себя итеративные вызовы LLM, чередующиеся с вызовами инструментов или функций и структурированными выводами. Система оценивает результаты, уточняет запросы, при необходимости вызывает дополнительные инструменты и продолжает этот цикл до достижения удовлетворительного решения.

Введение

В этом уроке вы узнаете

• Понять Agentic RAG: Изучить новую парадигму в ИИ, в которой большие языковые модели (LLM) самостоятельно планируют свои следующие шаги, извлекая информацию из внешних источников данных.
• Понять итеративный стиль «maker-checker»: Осознать цикл итеративных вызовов LLM, чередующихся с вызовами инструментов или функций и структурированными выводами, направленный на улучшение корректности и обработку некорректных запросов.
• Изучить практические применения: Определить сценарии, где Agentic RAG проявляет себя наилучшим образом, такие как среды с приоритетом на корректность, сложные взаимодействия с базами данных и расширенные рабочие процессы.

Цели обучения

По окончании этого урока вы будете знать/понимать:

• Понимание Agentic RAG: Узнать о новой парадигме в ИИ, где большие языковые модели (LLM) самостоятельно планируют свои следующие шаги, извлекая информацию из внешних источников данных.
• Итеративный стиль «maker-checker»: Понять концепцию цикла итеративных вызовов LLM, прерываемых вызовами инструментов или функций и структурированными выводами, направленных на улучшение точности и обработку некорректных запросов.
• Владение процессом рассуждения: Понять способность системы владеть своим процессом рассуждения, самостоятельно принимать решения по подходу к задачам без опоры на заранее определённые пути.
• Рабочий процесс: Понять, как агентная модель самостоятельно принимает решение извлечь отчёты о рыночных тенденциях, определить данные конкурентов, сопоставить внутренние метрики продаж, синтезировать выводы и оценить стратегию.
• Итеративные циклы, интеграция инструментов и память: Узнать о зависимости системы от цикличного паттерна взаимодействия, сохранения состояния и памяти на протяжении шагов, чтобы избежать повторяющихся циклов и принимать обоснованные решения.
• Обработка ошибок и самокоррекция: Изучить надёжные механизмы самокоррекции, включая повторные итерации и запросы, использование диагностических инструментов и обращение к человеческому контролю.
• Границы агентности: Понять ограничения Agentic RAG, сосредоточенные на доменной автономии, зависимости от инфраструктуры и соблюдении ограничений.
• Практические случаи использования и ценность: Определить сценарии, где Agentic RAG выделяется, такие как среды с приоритетом на корректность, сложные взаимодействия с базами данных и расширенные рабочие процессы.
• Управление, прозрачность и доверие: Узнать о важности управления и прозрачности, включая объяснимость рассуждений, контроль предвзятости и человеческий надзор.

Что такое Agentic RAG?

Agentic Retrieval-Augmented Generation (Agentic RAG) — это новая парадигма ИИ, при которой большие языковые модели (LLM) самостоятельно планируют свои следующие шаги, извлекая информацию из внешних источников. В отличие от статичных шаблонов «извлечь-затем-прочитать», Agentic RAG включает итеративные вызовы LLM, перемежающиеся вызовами инструментов или функций и структурированными выводами. Система оценивает результаты, уточняет запросы, при необходимости привлекает дополнительные инструменты и продолжает этот цикл до тех пор, пока не будет достигнуто удовлетворительное решение. Этот итеративный стиль «maker-checker» улучшает корректность, обрабатывает некорректные запросы и обеспечивает высокое качество результатов.

Система активно владеет процессом рассуждения, переписывает неудачные запросы, выбирает разные методы поиска и интегрирует несколько инструментов — таких как векторный поиск в Azure AI Search, SQL базы данных или кастомные API — перед тем, как финализировать ответ. Отличительной чертой агентной системы является её способность владеть процессом рассуждения. Традиционные реализации RAG полагаются на заранее определённые пути, но агентная система автономно определяет последовательность шагов на основе качества найденной информации.

Определение Agentic Retrieval-Augmented Generation (Agentic RAG)

Agentic Retrieval-Augmented Generation (Agentic RAG) — это новая парадигма в развитии ИИ, где LLM не только извлекают информацию из внешних источников, но и самостоятельно планируют следующие шаги. В отличие от статичных шаблонов «извлечь-затем-прочитать» или строго прописанных последовательностей промптов, Agentic RAG включает цикл итеративных вызовов LLM, чередующихся с вызовами инструментов или функций и структурированными выводами. На каждом шаге система оценивает полученные результаты, решает, следует ли уточнить запросы, при необходимости вызывает дополнительные инструменты и продолжает цикл до достижения удовлетворительного решения.

Этот итеративный стиль работы «maker-checker» призван улучшить корректность, обработать некорректные запросы к структурированным базам данных (например, NL2SQL) и обеспечить сбалансированные и качественные результаты. Вместо того чтобы полагаться исключительно на тщательно разработанные цепочки промптов, система активно владеет процессом рассуждения. Она может переписывать неудачные запросы, выбирать разные методы поиска и интегрировать несколько инструментов — таких как векторный поиск в Azure AI Search, SQL базы данных или кастомные API — перед тем, как окончательно дать ответ. Это исключает необходимость сложных оркестрационных фреймворков. Вместо этого сравнительно простой цикл «вызов LLM → использование инструмента → вызов LLM → …» может производить сложные и хорошо обоснованные выводы.

Владение процессом рассуждения

Отличительной чертой, делающей систему «агентной», является её способность владеть процессом рассуждения. Традиционные реализации RAG часто зависят от того, что люди заранее определяют путь для модели: цепочку рассуждений, указывающую, что и когда извлекать. Но когда система действительно агентная, она самостоятельно решает, как подходить к задаче. Это не просто выполнение скрипта; это автономное определение последовательности шагов на основе качества найденной информации. Например, если её просят разработать стратегию запуска продукта, она не полагается исключительно на промпт, который полностью описывает весь процесс исследования и принятия решений. Вместо этого агентная модель самостоятельно решает:

1. Извлечь текущие отчёты о рыночных тенденциях с помощью Bing Web Grounding
2. Определить релевантные данные о конкурентах, используя Azure AI Search.
3. Сопоставить исторические внутренние метрики продаж через Azure SQL Database.
4. Синтезировать выводы в согласованную стратегию, организованную через Azure OpenAI Service.
5. Оценить стратегию на наличие пробелов или несоответствий, при необходимости запросив ещё один цикл извлечения данных. Все эти шаги — уточнение запросов, выбор источников, итерации до «удовлетворённого» ответа — принимаются моделью, а не заранее прописаны человеком.

Итеративные циклы, интеграция инструментов и память

Агентная система опирается на цикличный паттерн взаимодействия:

• Первичный вызов: Цель пользователя (т. е. пользовательский промпт) передаётся LLM.
• Вызов инструмента: Если модель обнаруживает недостаток информации или неоднозначные инструкции, она выбирает инструмент или метод поиска — например, векторный запрос к базе данных (например, гибридный поиск Azure AI Search по приватным данным) или структурированный запрос SQL — чтобы собрать дополнительный контекст.
• Оценка и уточнение: После изучения полученных данных модель решает, достаточно ли информации. Если нет, она уточняет запрос, пробует другой инструмент или корректирует подход.
• Повторять до удовлетворения: Цикл продолжается, пока модель не определит, что имеет полный и чёткий набор данных для предоставления окончательного, хорошо обоснованного ответа.
• Память и состояние: Поскольку система сохраняет состояние и память на протяжении шагов, она может вспоминать предыдущие попытки и результаты, избегая повторяющихся циклов и принимая более информированные решения в процессе.

Со временем это создаёт ощущение развивающегося понимания, позволяя модели справляться со сложными многоэтапными задачами без необходимости постоянного вмешательства человека или изменения промпта.

Работа с ошибками и самокоррекция

Автономность Agentic RAG также включает мощные механизмы самокоррекции. Когда система сталкивается с тупиками — например, извлекает нерелевантные документы или встречает некорректные запросы — она может:

• Повторять и перепрашивать: Вместо того чтобы возвращать бесполезные ответы, модель пробует новые стратегии поиска, переписывает запросы к базе данных или изучает альтернативные наборы данных.
• Использовать диагностические инструменты: Система может вызывать дополнительные функции для отладки рассуждений или подтверждения корректности извлечённых данных. Такие инструменты, как Azure AI Tracing, будут важны для обеспечения надёжной наблюдаемости и мониторинга.
• Обращаться к человеческому контролю: В случаях с высокой значимостью или повторяющимися ошибками модель может отметить неуверенность и запросить помощь человека. После получения корректирующей обратной связи модель сможет использовать этот урок в дальнейшем.

Такой итеративный и динамический подход позволяет модели постоянно совершенствоваться, обеспечивая, что это не просто система с одноразовым ответом, а система, которая учится на своих ошибках в течение одной сессии.

Границы агентности

Несмотря на автономность в рамках задачи, Agentic RAG не является аналогом искусственного общего интеллекта. Её «агентные» возможности ограничены инструментами, источниками данных и политиками, предоставленными разработчиками. Она не может изобретать собственные инструменты или выходить за пределы установленных доменных границ. Вместо этого она преуспевает в динамической организации доступных ресурсов. Ключевые отличия от более продвинутых форм ИИ включают:

1. Домен-специфичная автономность: Системы Agentic RAG сосредоточены на достижении целей, определённых пользователем в известной доменной области, применяя стратегии переписывания запросов или выбора инструментов для улучшения результатов.
2. Зависимость от инфраструктуры: Возможности системы зависят от инструментов и данных, интегрированных разработчиками. Она не может выйти за эти границы без вмешательства человека.
3. Соблюдение ограничений: Этические принципы, правила соответствия и бизнес-политики остаются крайне важными. Свобода агента всегда ограничена мерами безопасности и механизмами надзора (надеемся).

Практические случаи использования и ценность

Agentic RAG проявляет себя в сценариях, требующих итеративного уточнения и точности:

1. Среда с приоритетом на корректность: При проверках соблюдения норм, регуляторном анализе или юридических исследованиях агентная модель может многократно перепроверять факты, обращаться к множеству источников и переписывать запросы до получения тщательно проверенного ответа.
2. Сложные взаимодействия с базами данных: При работе со структурированными данными, где запросы часто могут не сработать или требовать корректировок, система самостоятельно уточняет запросы с использованием Azure SQL или Microsoft Fabric OneLake, обеспечивая соответствие окончательного результата намерениям пользователя.
3. Длительные рабочие процессы: Длинные сессии могут развиваться по мере появления новой информации. Agentic RAG может непрерывно включать новые данные, меняя стратегии по мере изучения предметной области.

Управление, прозрачность и доверие

По мере роста автономности этих систем управление и прозрачность становятся критически важными:

• Объяснимые рассуждения: Модель может предоставлять аудиторский след — какие запросы она делала, какие источники использовала, и какие шаги рассуждений применяла для вывода. Инструменты, такие как Azure AI Content Safety и Azure AI Tracing / GenAIOps, помогают обеспечивать прозрачность и снижать риски.
• Контроль предвзятости и сбалансированный поиск: Разработчики могут настраивать стратегии извлечения, чтобы учитывать сбалансированные и представительские источники данных, а также регулярно проверять выходные данные на наличие предвзятости или искажений, используя кастомные модели для продвинутых дата-сайенс организаций с помощью Azure Machine Learning.
• Контроль со стороны человека и соответствие: Для задач с высокой ответственностью человеческий контроль остаётся обязательным. Agentic RAG не заменяет человеческое суждение в критичных решениях — она дополняет его, предоставляя более тщательно проверенные варианты.

Наличие инструментов, обеспечивающих чёткий журнал действий, крайне важно. Без них отладка многоступенчатого процесса может быть очень сложной. См. следующий пример от Literal AI (компания, стоящая за Chainlit) для запуска агента:

Заключение

Agentic RAG представляет собой естественное развитие того, как ИИ-системы справляются со сложными и ресурсоёмкими задачами. Принимая цикл взаимодействия, автономно выбирая инструменты и уточняя запросы до получения качественного результата, система выходит за рамки статичного следования промптам, становясь более адаптивным и учитывающим контекст принимающим решения. Хотя она всё ещё ограничена инфраструктурой и этическими правилами, заданными человеком, эти агентные возможности обеспечивают более насыщенное, динамичное и в конечном итоге более полезное взаимодействие с ИИ как для предприятий, так и для конечных пользователей.

Есть ещё вопросы про Agentic RAG?

Присоединяйтесь к Microsoft Foundry Discord, чтобы встретиться с другими учащимися, посещать офисные часы и получить ответы на ваши вопросы по AI-агентам.

Дополнительные ресурсы

• Реализация Retrieval Augmented Generation (RAG) с Azure OpenAI Service: Узнайте, как использовать свои данные с сервисом Azure OpenAI. Этот модуль Microsoft Learn предоставляет полный гид по внедрению RAG
• Оценка приложений генеративного ИИ с Microsoft Foundry: В статье рассматривается оценка и сравнение моделей на общедоступных датасетах, включая Agentic AI и архитектуры RAG
• Что такое Agentic RAG | Weaviate

• Agentic RAG: Полное руководство по агентному Retrieval Augmented Generation – Новости от generation RAG

• Agentic RAG: ускорьте ваш RAG с помощью переформулировки запросов и само-запроса! Открытая книга по ИИ от Hugging Face
• Добавление агентских слоев в RAG
• Будущее помощников по знаниям: Джерри Лю
• Как построить агентские RAG-системы
• Использование Microsoft Foundry Agent Service для масштабирования ваших AI-агентов

Академические статьи

• 2303.17651 Self-Refine: Итеративное уточнение с самообратной связью
• 2303.11366 Reflexion: Языковые агенты с вербальным усвоением через подкрепление
• 2305.11738 CRITIC: Большие языковые модели могут самокорректироваться с помощью инструментарного интерактивного критического анализа
• 2501.09136 Agentic Retrieval-Augmented Generation: Обзор агентского RAG

Смоук-тест этого агента (опционально)

После того, как вы научитесь запускать агентов в Уроке 16, вы можете провести смоук-тест TravelRAGAgent из этого урока — проверяя, что его ответы остаются основанными на базе знаний — с помощью tests/lesson-05-smoke-tests.json. Смотрите tests/README.md для инструкций по запуску.

Предыдущий урок

Паттерн использования инструментов

Следующий урок

Построение надежных AI-агентов

---

Отказ от ответственности: Этот документ был переведен с использованием сервиса машинного перевода Co-op Translator. Несмотря на наши усилия по обеспечению точности, имейте в виду, что автоматический перевод может содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется обратиться к профессиональному человеческому переводу. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования этого перевода.

This site is open source. Improve this page.