ai-agents-for-beginners

Agentic RAG

(Bonyeza picha hapo juu kutazama video ya somo hili)

Agentic RAG

Somo hili linatoa muhtasari wa kina kuhusu Agentic Retrieval-Augmented Generation (Agentic RAG), dhana mpya ya AI ambapo mifano mikubwa ya lugha (LLMs) hupanga hatua zao kwa uhuru huku ikichukua taarifa kutoka vyanzo vya nje. Tofauti na mifumo ya kawaida ya “retrieval-then-read”, Agentic RAG inahusisha miito ya mara kwa mara kwa LLM, ikichanganywa na matumizi ya zana au kazi na matokeo yaliyojengwa. Mfumo huu hupima matokeo, hurekebisha maswali, hutumia zana za ziada inapohitajika, na kuendelea na mzunguko huu hadi suluhisho la kuridhisha lipatikane.

Utangulizi

Somo hili litashughulikia:

Malengo ya Kujifunza

Baada ya kukamilisha somo hili, utaweza kuelewa/kufanya:

Agentic RAG ni Nini?

Agentic Retrieval-Augmented Generation (Agentic RAG) ni dhana mpya ya AI ambapo mifano mikubwa ya lugha (LLMs) hupanga hatua zao kwa uhuru huku ikichukua taarifa kutoka vyanzo vya nje. Tofauti na mifumo ya kawaida ya “retrieval-then-read”, Agentic RAG inahusisha miito ya mara kwa mara kwa LLM, ikichanganywa na matumizi ya zana au kazi na matokeo yaliyojengwa. Mfumo huu hupima matokeo, hurekebisha maswali, hutumia zana za ziada inapohitajika, na kuendelea na mzunguko huu hadi suluhisho la kuridhisha lipatikane. Mtindo huu wa “maker-checker” wa kurudia unaboresha usahihi, hushughulikia maswali yaliyokosewa, na kuhakikisha matokeo ya hali ya juu.

Mfumo huu unamiliki mchakato wake wa uamuzi kwa bidii, huandika upya maswali yaliyoshindwa, huchagua mbinu tofauti za kuchukua taarifa, na hujumuisha zana mbalimbali—kama utafutaji wa vector katika Azure AI Search, hifadhidata za SQL, au API maalum—kabla ya kukamilisha jibu lake. Sifa ya kipekee ya mfumo wa agentic ni uwezo wake wa kumiliki mchakato wake wa uamuzi. Utekelezaji wa RAG wa jadi hutegemea njia zilizowekwa awali, lakini mfumo wa agentic huamua kwa uhuru mlolongo wa hatua kulingana na ubora wa taarifa inayopatikana.

Kufafanua Agentic Retrieval-Augmented Generation (Agentic RAG)

Agentic Retrieval-Augmented Generation (Agentic RAG) ni dhana mpya katika maendeleo ya AI ambapo LLMs si tu huchukua taarifa kutoka vyanzo vya data vya nje bali pia hupanga hatua zao kwa uhuru. Tofauti na mifumo ya kawaida ya “retrieval-then-read” au mlolongo wa maelekezo yaliyopangwa kwa uangalifu, Agentic RAG inahusisha mzunguko wa miito ya mara kwa mara kwa LLM, ikichanganywa na matumizi ya zana au kazi na matokeo yaliyojengwa. Kila hatua, mfumo hupima matokeo yaliyopatikana, huamua kama kurekebisha maswali, hutumia zana za ziada inapohitajika, na kuendelea na mzunguko huu hadi suluhisho la kuridhisha lipatikane.

Mtindo huu wa “maker-checker” wa kurudia umeundwa kuboresha usahihi, kushughulikia maswali yaliyokosewa kwa hifadhidata zilizojengwa (mfano NL2SQL), na kuhakikisha matokeo ya hali ya juu na yenye usawa. Badala ya kutegemea tu mlolongo wa maelekezo yaliyoundwa kwa uangalifu, mfumo unamiliki mchakato wake wa uamuzi kwa bidii. Unaweza kuandika upya maswali yaliyoshindwa, kuchagua mbinu tofauti za kuchukua taarifa, na kujumuisha zana mbalimbali—kama utafutaji wa vector katika Azure AI Search, hifadhidata za SQL, au API maalum—kabla ya kukamilisha jibu lake. Hii huondoa hitaji la mifumo tata ya uratibu. Badala yake, mzunguko rahisi wa “miito ya LLM → matumizi ya zana → miito ya LLM → …” unaweza kutoa matokeo ya hali ya juu na yenye msingi mzuri.

Agentic RAG Core Loop

Kumiliki Mchakato wa Uamuzi

Sifa ya kipekee inayofanya mfumo kuwa “agentic” ni uwezo wake wa kumiliki mchakato wake wa uamuzi. Utekelezaji wa RAG wa jadi mara nyingi hutegemea binadamu kuweka njia kwa mfano: mlolongo wa mawazo unaoeleza nini cha kuchukua na lini. Lakini mfumo unapokuwa kweli agentic, huamua ndani jinsi ya kushughulikia tatizo. Hauendeshi tu script; unajiamulia mlolongo wa hatua kulingana na ubora wa taarifa inayopatikana.

Kwa mfano, ikiwa umeulizwa kuunda mkakati wa uzinduzi wa bidhaa, hautegemei tu maelekezo yanayoeleza mtiririko mzima wa utafiti na uamuzi. Badala yake, mfano wa agentic huamua kwa uhuru:

  1. Kuchukua ripoti za mwenendo wa soko za sasa kwa kutumia Bing Web Grounding.
  2. Kutambua data muhimu ya washindani kwa kutumia Azure AI Search.
  3. Kuhusisha vipimo vya mauzo ya ndani vya kihistoria kwa kutumia Azure SQL Database.
  4. Kuunganisha matokeo katika mkakati wa pamoja unaoratibiwa kupitia Azure OpenAI Service.
  5. Kutathmini mkakati kwa mapungufu au kutokuwepo kwa usawa, na kuanzisha mzunguko mwingine wa kuchukua taarifa inapohitajika.

Hatua hizi zote—kurekebisha maswali, kuchagua vyanzo, kurudia hadi “kuridhika” na jibu—zinaamuliwa na mfano, si kuandikwa awali na binadamu.

Mizunguko ya Iterative, Ujumuishaji wa Zana, na Kumbukumbu

Tool Integration Architecture

Mfumo wa agentic hutegemea muundo wa mwingiliano wa mzunguko:

Kwa muda, hii huunda hisia ya uelewa unaoendelea, ikiruhusu mfano kuendesha kazi ngumu, za hatua nyingi bila hitaji la binadamu kuingilia mara kwa mara au kubadilisha maelekezo.

Kushughulikia Njia za Kushindwa na Kujirekebisha

Uhuru wa Agentic RAG pia unahusisha mifumo thabiti ya kujirekebisha. Wakati mfumo unakutana na vikwazo—kama kuchukua nyaraka zisizohusiana au kukutana na maswali yaliyokosewa—unaweza:

Mbinu hii ya kurudia na yenye nguvu inaruhusu mfano kuboresha kila mara, kuhakikisha kuwa si mfumo wa “jaribio moja” bali ni mfumo unaojifunza kutokana na makosa yake wakati wa kikao fulani.

Self Correction Mechanism

Mipaka ya Uamuzi

Licha ya uhuru wake ndani ya kazi, Agentic RAG si sawa na Akili ya Kijumla ya Kifaa (AGI). Uwezo wake wa “agentic” unafungika kwa zana, vyanzo vya data, na sera zinazotolewa na watengenezaji wa binadamu. Haiwezi kuunda zana zake au kuvuka mipaka ya kikoa iliyowekwa. Badala yake, inang’aa katika kuratibu kwa nguvu rasilimali zilizopo.

Tofauti kuu na aina za AI zilizoendelea zaidi ni:

  1. Uhuru Maalum wa Kikoa: Mifumo ya Agentic RAG inalenga kufanikisha malengo yaliyofafanuliwa na mtumiaji ndani ya kikoa kinachojulikana, ikitumia mikakati kama kuandika upya maswali au kuchagua zana kuboresha matokeo.
  2. Utegemezi wa Miundombinu: Uwezo wa mfumo unategemea zana na data zilizojumuishwa na watengenezaji. Haiwezi kuzidi mipaka hii bila kuingilia binadamu.
  3. Kuheshimu Vizuizi: Miongozo ya kimaadili, sheria za kufuata, na sera za biashara zinabaki kuwa muhimu sana. Uhuru wa mfumo daima unafungika na hatua za usalama na mifumo ya usimamizi (labda?).

Matumizi ya Kivitendo na Thamani

Agentic RAG inang’aa katika hali zinazohitaji marekebisho ya mara kwa mara na usahihi:

  1. Mazingira Yanayozingatia Usahihi: Katika ukaguzi wa kufuata, uchambuzi wa kanuni, au utafiti wa kisheria, mfano wa agentic unaweza kuthibitisha ukweli mara kwa mara, kushauriana na vyanzo vingi, na kuandika upya maswali hadi kutoa jibu lililothibitishwa kikamilifu.
  2. Mwingiliano Tata wa Hifadhidata: Wakati wa kushughulika na data iliyojengwa ambapo maswali yanaweza mara nyingi kushindwa au kuhitaji marekebisho, mfumo unaweza kurekebisha maswali yake kwa uhuru kwa kutumia Azure SQL au Microsoft Fabric OneLake, kuhakikisha uchukuaji wa mwisho unalingana na nia ya mtumiaji.
  3. Mtiririko wa Kazi wa Muda Mrefu: Vikao vya muda mrefu vinaweza kubadilika kadri taarifa mpya zinavyopatikana. Agentic RAG inaweza kuendelea kujumuisha data mpya, kubadilisha mikakati kadri inavyojifunza zaidi kuhusu eneo la tatizo.

Usimamizi, Uwazi, na Uaminifu

Kadri mifumo hii inavyokuwa huru zaidi katika uamuzi wake, usimamizi na uwazi ni muhimu:

Kuwa na zana zinazotoa rekodi wazi ya hatua ni muhimu. Bila zana hizo, kurekebisha mchakato wa hatua nyingi inaweza kuwa ngumu sana. Tazama mfano ufuatao kutoka Literal AI (kampuni nyuma ya Chainlit) kwa mwendo wa Agent:

AgentRunExample

Hitimisho

Agentic RAG inawakilisha mageuzi ya asili katika jinsi mifumo ya AI inavyoshughulikia kazi ngumu, zinazohitaji data nyingi. Kwa kupitisha muundo wa mwingiliano wa mzunguko, kuchagua zana kwa uhuru, na kurekebisha maswali hadi kufikia matokeo ya hali ya juu, mfumo unazidi kufuata maelekezo ya kawaida na kuwa mtoaji wa maamuzi unaojua muktadha. Ingawa bado unafungika na miundombinu iliyofafanuliwa na binadamu na miongozo ya kimaadili, uwezo huu wa agentic unaruhusu mwingiliano tajiri zaidi, wa nguvu zaidi, na hatimaye wa manufaa zaidi wa AI kwa mashirika na watumiaji wa mwisho.

Una Maswali Zaidi Kuhusu Agentic RAG?

Jiunge na Azure AI Foundry Discord ili kukutana na wanafunzi wengine, kuhudhuria masaa ya ofisi, na kupata majibu ya maswali yako kuhusu AI Agents.

Rasilimali za Ziada

Karatasi za Kitaaluma

Somo Lililopita

Muundo wa Matumizi ya Zana

Somo Lijalo

Kujenga Mawakala wa AI Wenye Kuaminika


Kanusho:
Hati hii imetafsiriwa kwa kutumia huduma ya tafsiri ya AI Co-op Translator. Ingawa tunajitahidi kwa usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.