ai-agents-for-beginners

(Кликните на слику изнад да бисте погледали видео овог часа)

Agentic RAG

Овај час пружа свеобухватан преглед Agentic Retrieval-Augmented Generation (Agentic RAG), новог парадигма у вештачкој интелигенцији где велики језички модели (LLM) самостално планирају своје следеће кораке док истовремено повлаче информације из спољних извора. За разлику од статичних образаца приступа “претрага, па читање”, Agentic RAG укључује итеративне позиве LLM-у, преко којих се смењују позиви алатки или функција и структурирани излази. Систем процењује резултате, усавршава упите, позива додатне алатке по потреби и наставља ову циклус док не постигне задовољавајуће решење.

Увод

Овај час ће обухватити

• Разумевање Agentic RAG: Научите о новом парадигму у вештачкој интелигенцији где велики језички модели (LLM) самостално планирају своје следеће кораке док искоришћавају информације из спољних извора података.
• Разумевање итеративног Maker-Checker стила: Упознајте се са циклусом итеративних позива LLM-у, преко којих се смењују позиви алатки или функција и структурирани излази, дизајнираних за побољшање тачности и обраду неисправно формулисаних упита.
• Истражите практичне примене: Препознајте сценарије у којима Agentic RAG најбоље функционише, као што су окружења где је исправност приоритет, сложене интеракције са базама података и продужени радни токови.

Циљеви учења

Након завршетка овог часа, моћи ћете да разумете/радите:

• Разумевање Agentic RAG: Упознаћете се са новим парадигмом у вештачкој интелигенцији у којем велики језички модели (LLM) самостално планирају своје следеће кораке док искоришћавају информације из извора спољних података.
• Итеративни Maker-Checker стил: Разумете концепт циклуса итеративних позива LLM-у, ажурирања алатки и структурираних излаза, дизајнираних да побољшају тачност и поступају са неисправним упитима.
• Власништво над процесом размишљања: Схватите способност система да преузме контролу над својим процесом размишљања, доносећи одлуке о приступу проблему без ослањања на унапред дефинисане путеве.
• Радни ток: Разумете како агентски модел самостално одлучује да преузме извештаје о тржишним трендовима, идентификује податке конкуренције, корелише интерне метрике продаје, синтетише налазе и процењује стратегију.
• Итеративни циклуси, интеграција алатки и меморија: Сазнајте о ослањању система на циклус интеракције, одржавању стања и меморије између корака како би се избегле понављајуће петље и доносиле информисане одлуке.
• Обраћање неуспелим режимима и самокорекција: Истражите робусне механизме самокорекције система, укључујући итерацију и поновну претрагу, коришћење дијагностичких алатки и ослањање на људски надзор.
• Границе агентности: Разумете ограничења Agentic RAG-а, фокусирајући се на аутонономију у домену, зависност од инфраструктуре и поштовање ограничења.
• Практичне примене и вредности: Идентификујте сценарије где Agentic RAG најбоље функционише, као што су окружења првенствено оријентисана на исправност, сложене интеракције с базама података и продужени радни токови.
• Управљање, транспарентност и поверење: Научите о значају управљања и транспарентности, укључујући објашњиво размишљање, контролу пристрасности и људски надзор.

Шта је Agentic RAG?

Agentic Retrieval-Augmented Generation (Agentic RAG) је нови парадигма у вештачкој интелигенцији где велики језички модели (LLM) самостално планирају своје следеће кораке док истовремено повлаче податке из спољних извора. За разлику од статичних образаца “претрага, па читање”, Agentic RAG укључује итеративне позиве LLM-у, са смењивањем позива алатки или функција и структурираних излаза. Систем процењује резултате, усавршава упите, по потреби позива додатне алатке и наставља овај процес док не постигне задовољавајуће решење. Овај итеративни “maker-checker” стил побољшава исправност, рукује неисправно формулисаним упитима и обезбеђује квалитетне резултате.

Систем активно преузима контролу над процесом размишљања, преписујући неуспеле упите, бирајући различите методе претраге и интегришући више алатки — као што су претрага вектора у Azure AI Search, SQL базе података или прилагођени API-ји — пре него што закључи свој одговор. Карактеристична особина агентског система је његова способност да поседује свој процес размишљања. Традиционалне RAG имплементације ослањају се на унапред дефинисане путеве, али агентски систем аутономно одређује низ корака на основу квалитета информација које пронађе.

Дефинисање Agentic Retrieval-Augmented Generation (Agentic RAG)

Agentic Retrieval-Augmented Generation (Agentic RAG) је нови парадигма у развоју вештачке интелигенције где LLM-и не само да повлаче информације из спољних извора података, већ и самостално планирају своје следеће кораке. За разлику од статичних образаца “претрага, па читање” или пажљиво осмишљених низова упита, Agentic RAG укључује циклус итеративних позива LLM-у, смењених са позивима алатки или функција и структурираним излазима. У сваком тренутку, систем процењује резултате које је добио, одлучује да ли је потребно усавршити упите, по потреби позива додатне алатке и наставља овај циклус док не достигне задовољавајуће решење.

Овај итеративни “maker-checker” начин рада има за циљ побољшање исправности, обраду неисправних упита ка структурираним базама података (нпр. NL2SQL), и обезбеђивање балансираних, квалитетних резултата. Уместо да се ослања само на пажљиво осмишљене ланце упита, систем активно поседује свој процес размишљања. Може преписивати неуспеле упите, бирати различите методе претраге и интегрисати више алатки — као што су претрага вектора у Azure AI Search, SQL базе података или прилагођени API-ји — пре него што закључи свој одговор. Ово уклања потребу за превише сложеним оквирима за оркестрацију. Уместо тога, релативно једноставан циклус “позив LLM-у → коришћење алатке → позив LLM-у → …” може дати софистициране и добро утемељене резултате.

Власништво над процесом размишљања

Одлике система које га чине „агентским“ јесу његова способност да поседује свој процес размишљања. Традиционалне RAG имплементације често зависе од људи који унапред дефинишу пут модела: низ мисли који описује шта и када се тражи. Међутим, када систем заиста има агентност, он интерно одлучује како да приступи проблему. Није у питању извршавање скрипте; већ се аутономно одређује низ корака на основу квалитета информација које пронађе. На пример, ако му се тражи да креира стратегију лансирања производа, не ослања се само на упит који садржи цео процес истраживања и доношења одлука. Уместо тога, агентски модел самостално одлучује да:

1. Преузме актуелне извештаје о тржишним трендовима користећи Bing Web Grounding
2. Идентификује релевантне податке конкуренције помоћу Azure AI Search.
3. Корелира историјске интерне метрике продаје користећи Azure SQL Database.
4. Синтетише налазе у кохерентну стратегију коју оркестрира преко Azure OpenAI Service.
5. Проверава стратегију на недостаци или неусклађености, позивајући још један круг претраге ако је потребно. Сви ови кораци — усавршавање упита, одабир извора, понављање све док није „срећан“ са одговором — одлучују се у модулу, а не унапред скриптовано од стране човека.

Итеративни циклуси, интеграција алатки и меморија

Агентски систем се ослања на образац интеракције у циклусу:

• Почетни позив: Корисников циљ (познат и као кориснички упит) се представља LLM-у.
• Позив алатку: Ако модел идентификује недостајуће информације или нејасна упутства, бира алатку или метод претраге — као што је упит базе вектора (нпр. Azure AI Search хибридна претрага приватних података) или структуирани SQL позив — како би прикупио више контекста.
• Процена и усавршавање: Након прегледа добијених података, модел одлучује да ли је информација довољна. Ако није, усавршава упит, испробава другу алатку или мења приступ.
• Понављање док није задовољан: Овај циклус се наставља док модел не утврди да има довољну јасноћу и доказе да испоручи коначни, добро развијен одговор.
• Меморија и стање: Пошто систем одржава стање и меморију кроз кораке, може да се сећа претходних покушаја и њихових резултата, избегавајући понављајуће петље и доносити информисаније одлуке у даљем току.

Временом, ово ствара осећај еволуирајућег разумевања, омогућавајући моделу да навигира сложеним, вишестепеним задацима без потребе за сталном људском интервенцијом или прерадом упита.

Обрада неуспелих режима и самокорекција

Агентски RAG аутономија такође укључује робусне механизме самокорекције. Када систем налети на мртве крајеве — као што су повлачење ирелевантних докумената или сусрет са неисправним упитима — он може:

• Итерација и поновна претрага: Уместо да враћа одговоре ниске вредности, модел испробава нове стратегије претраге, преписује упите базе података или гледа алтернативне скупове података.
• Коришћење дијагностичких алатки: Систем може позвати додатне функције дизајниране да му помогну да дебагује кораке размишљања или потврди исправност добијених података. Алатке попут Azure AI Tracing биће важне за омогућавање робусне посматрачке способности и мониторинга.
• Ослањање на људски надзор: За сценарије са високим ризиком или понављајућим неуспесима, модел може означити неизвесност и захтевати људско вођење. Када човек пружи корективне повратне информације, модел може укључити то знање у даљем раду.

Овај итеративни и динамички приступ омогућава моделу континуирано побољшање, осигуравајући да није само систем који даје једнократне одговоре већ онај који учи из својих грешака током сесије.

Границе агентности

Упркос својој аутономији у оквиру задатка, Agentic RAG није синоним за вештачку општу интелигенцију (AGI). Његове “агентске” способности ограничавају се на алатке, изворе података и политике које пружају људски програмери. Не може сам да измишља алатке или да излази изван доменских граница које су постављене. Уместо тога, сјајан је у динамичком оркестрирању расположивих ресурса. Кључне разлике у односу на напредније облике АИ укључују:

1. Аутоноомија специфична за домен: Agentic RAG системи су усмерени на остварење кориснички дефинисаних циљева у познатом домену, користећи стратегије као што је преписивање упита или избор алатки ради побољшања резултата.
2. Зависност од инфраструктуре: Системске способности зависе од алатки и података које су интегрисали програмери. Не може прећи те границе без људске интервенције.
3. Поштовање ограничења: Етичка упутства, правила усклађености и пословне политике су увек важне. Слобода агента увек је ограничена безбедносним мерама и механизмима надзора (надамо се).

Практичне примене и вредност

Agentic RAG сјаји у сценаријима који захтевају итеративно усавршавање и прецизност:

1. Окружења првенствено оријентисана на исправност: У проверама усклађености, регулаторним анализама или правним истраживањима, агентски модел може поновно верификовати чињенице, консултовати више извора и преписивати упите док не да темељно проверен одговор.
2. Сложене интеракције са базама података: Када рукује структурисаним подацима где упити често не успевају или захтевају прилагођавање, систем може аутономно усавршавати упите коришћењем Azure SQL или Microsoft Fabric OneLake, осигуравајући коначну претрагу у складу са корисничком намером.
3. Продужени радни токови: Дуже сесије могу еволуирати како се појављују нове информације. Agentic RAG може континуирано укључивати нове податке, мењајући стратегије како учи више о простору проблема.

Управљање, транспарентност и поверење

Како ови системи постају аутономнији у свом размишљању, управљање и транспарентност постају кључни:

• Објашњиво размишљање: Модел може пружити аудиторски траг упита које је направио, извора које је консултовао и корака размишљања које је предузео да би дошао до закључка. Алатке као што су Azure AI Content Safety и Azure AI Tracing / GenAIOps помажу у одржавању транспарентности и умањењу ризика.
• Контрола пристрасности и балансирана претрага: Програмери могу подешавати стратегије претраге да обезбеде узимање у обзир балансираних и репрезентативних извора података и редовно ревидирати излазе како би открили пристрасност или искривљене обрасце коришћењем прилагођених модела за напредне организације за науку о подацима које користе Azure Machine Learning.
• Људски надзор и усклађеност: За осетљиве задатке, људски преглед остаје суштински. Agentic RAG не замењује људски суд у одлукама великог значаја — већ га допуњује пружајући темељније провлашене опције.

Имати алатке које пружају јасан запис акција је од суштинског значаја. Без тих алатки, дебаговање вишестепеног процеса може бити веома тешко. Погледајте следећи пример из Literal AI (компаније иза Chainlit) за извршење агента:

Закључак

Agentic RAG представља природну еволуцију начина на који АИ системи руковању сложеним, подацима интензивним задацима. Примена образаца интеракције у циклусу, аутономни избор алатки и усавршавање упита док се не постигне висококвалитетан резултат, систем прелази са статичког праћења упита на прилагодљивијег доносиоца одлука свестног контекста. Иако је и даље ограничен људски дефинисаном инфраструктуром и етичким смерницама, ове агентске способности омогућавају богатије, динамичније и крајње корисније АИ интеракције како за предузећа, тако и за крајње кориснике.

Имате ли још питања о Agentic RAG-у?

Придружите се Microsoft Foundry Discord да бисте се упознали са другим ученицима, присуствовали сату консултација и добили одговоре на питања о AI агентима.

Додатни ресурси

• Имплементирање Retrieval Augmented Generation (RAG) са Azure OpenAI Service: Научите како користити своје податке са Azure OpenAI Service. Овај Microsoft Learn модул пружа свеобухватан водич за примену RAG-а
• Евалуација генеративних АИ апликација са Microsoft Foundry: Овај чланак покрива евалуацију и поређење модела на јавним скупштинама података, укључујући Agentic AI апликације и RAG архитектуре
• Шта је Agentic RAG | Weaviate

• Agentic RAG: Комплетан водич за агентски базирани Retrieval Augmented Generation – Вести из генерације RAG

• Agentic RAG: убрзајте свој RAG помоћу преправке упита и самоопрашивања! Hugging Face Open-Source AI Cookbook
• Додавање ајџентичких слојева RAG-у
• Будућност помоћника за знање: Џери Лиу
• Како изградити ајџентичке RAG системе
• Коришћење Microsoft Foundry Agent сервиса за скалирање ваших AI агената

Академски радови

• 2303.17651 Self-Refine: Итеративно унапређење са самопрегледом
• 2303.11366 Reflexion: Језички агенти са вербалним учењем појачања
• 2305.11738 CRITIC: Велики језички модели могу сами исправљати уз алатке интерактивне критике
• 2501.09136 Agentic Retrieval-Augmented Generation: Преглед ајџентичког RAG-а

Smoke-тестирање овог агента (опционо)

Након што научите како да распоредите агенте у Lesson 16, можете smoke-тестирати TravelRAGAgent из ове лекције — проверавајући да његови одговори остану засновани на бази знања — са tests/lesson-05-smoke-tests.json. Погледајте tests/README.md за упутство како га покренути.

Претходна лекција

Образац коришћења алата

Следећа лекција

Изградња поверљивих AI агената

---

Изјава о одрицању одговорности: Овај документ је преведен коришћењем услуге за аутоматски превод Co-op Translator. Иако тежимо тачности, имајте у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални људски превод. Нисмо одговорни за било каква неспоразума или погрешна тумачења која произилазе из коришћења овог превода.

This site is open source. Improve this page.