ai-agents-for-beginners

Agentic RAG

(இந்த பாடத்தின் காணொளியை பார்க்க மேலுள்ள படத்தை கிளிக் செய்யவும்)

Agentic RAG

இந்த பாடம் Agentic Retrieval-Augmented Generation (Agentic RAG) என்பதன் முழுமையான பார்வையை வழங்குகிறது, இது மிகப் பெரிய மொழி மாதிரிகள் (LLMs) தாங்களே அடுத்த படிகளை திட்டமிட்டு, வெளிப்புற மூலங்களில் இருந்து தகவலை வரட்டி பெறும் வருவாய் உள்ள புத்திசாலித்தன்மை முறை. நிலையான retrieval-பின்-வாசித்தல் முறைமைகளுக்கு மாறாக, Agentic RAG LLMக்கு முறையும் முறையும் அழைப்புகளை, கருவி அல்லது செயல்பாடு அழைப்புகளோடு மற்றும் கட்டமைக்கப்பட்ட வெளியீடுகளோடு இணைத்து செய்கிறது. அமைப்பு முடிவுகளை மதிப்பாய்வு செய்து, கேள்விகளை மேம்படுத்தி, தேவையானால் கூடுதல் கருவிகளை அழைத்து, இந்த சுற்றுவட்டத்தை திருப்திகரமான தீர்வு கிடைக்கும் வரை தொடர்கிறது.

அறிமுகம்

இந்தப் பாடத்தில் நாம் பேசவுள்ளவை

கற்றல் குறிக்கோள்கள்

இந்தப் பாடத்தை முடித்த பிறகு, நீங்கள் அறிந்து கொள்வீர்கள்:

Agentic RAG என்பது என்ன?

Agentic Retrieval-Augmented Generation (Agentic RAG) என்பது மிகப் பெரிய மொழி மாதிரிகள் (LLMs) தங்கள் அடுத்த நடவடிக்கைகளை தானாக திட்டமிட்டு, வெளிப்புற மூலங்களிலிருந்து தகவலை பெறும் எழுச்சியிலுள்ள AI முறைமை. நிலையான retrieval-பின்-வாசித்தலுக்கு மாறாக, Agentic RAG LLMக்கு முறையும் முறையும் அழைப்புகளை, கருவி அல்லது செயல்பாடு அழைப்புகளோடு மற்றும் கட்டமைக்கப்பட்ட வெளியீடுகளோடு செயல்படுகிறது. அமைப்பு முடிவுகளை மதிப்பாய்வு செய்து, கேள்விகளை மேம்படுத்தி, தேவையானால் கூடுதல் கருவிகளை அழைத்து, திருப்திகரமான தீர்வு கிடைக்கும் வரை சுற்றுவட்டம் தொடர்ந்து நடைபெறுகிறது. இந்த முறைக்கட்ட “தயார்-சோதனை” நடைமுறைத் துல்லியத்தையும் தவறான கேள்விகளைக் கையாளவும் மற்றும் உயர் தர முடிவுகளை உறுதிப்படுத்தும்.

அமைப்பு தன்னுடைய சிந்தனை செயல்முறையை தன்னிச்சையாக ஒப்படைக்கிறது, தோல்வியடைந்த கேள்விகளை மறுதிருத்தி, வேறுபட்ட retrieval முறைகளை தேர்ந்து, பல கருவிகளை ஒருங்கிணைக்கிறது—உதாரணமாக Azure AI Search இன் வெக்டர் தேடல், SQL தரவுத்தளங்கள், அல்லது தனிப்பயன் APIகள்—முன் இறுதி பதிலை முடிப்பதற்கு. ஒரு agentic அமைப்பின் பிரத்யேக தன்மை அதன் reasoning செயல்முறையை தன்னிச்சையாக ஏற்றது. பாரம்பரிய RAG நடைமுறைகள் முன்னதாக நிர்ணயிக்கப்பட்ட பாதைகளைத் தொடர்ந்து செயல்படுகின்றன, ஆனால் ஒரு agentic அமைப்பு அதன்படி சுயமாக விரைவு எடுத்து செய்கிறது.

Agentic Retrieval-Augmented Generation (Agentic RAG) என்பதைக் கையாளுதல்

Agentic Retrieval-Augmented Generation (Agentic RAG) என்பது LLMகள் வெறும் வெளிப்புற தரவு மூலங்களை மட்டும் பெறுவது அல்ல, தங்களின் அடுத்த படிகளை தானாகத் திட்டமிடும் AI வளர்ச்சியில் எழுச்சியிலுள்ள முறை. நிலையான retrieval-பின்-வாசித்தல் முறைமைகள் அல்லது கவனமாக எழுதப்பட்ட prompt தொடர்கள் மாறாக, Agentic RAG முறையிலும் LLMக்கு முறையாக அழைப்புகள் செய்யப்படுகின்றன, கருவிகள் அல்லது செயல்பாடுகளுடன் மற்றும் கட்டமைந்த வெளியீடுகளுடன் கூடி. ஒவ்வொரு முறையும், அமைப்பு பெற்ற முடிவுகளை மதிப்பாய்வு செய்கிறது, கேள்விகளை மேம்படுத்த வேண்டுமென்றால் துணை கருவிகள் அழைக்கப்படுகின்றன, இவ்வாறு திருப்திகரமான தீர்வு பெறப்படும் வரை இந்த செயல்பாடு தொடர்கிறது.

இந்த முறைக்கட்ட “தயார்-சோதனை” நடைமுறைத் தவறான கேள்விகளை செயல்பட்ட தரவுத்தளத்துடன் கையாளவும் (எ.கா. NL2SQL) சரியான முடிவுகளை உறுதிப்படுத்தவும் வடிவமைக்கப்பட்டுள்ளது. கவனமாக வடிவமைக்கப்பட்ட prompt தொடர்களுள் மட்டும் நம்பிக்கைய் வைப்பதற்குப் பதிலாக, அமைப்பு தன் reasoning செயல்முறையை தன்னிச்சையாக கைப்பற்றுகிறது. தோல்வியடைந்த கேள்விகளை மறழிவுசெய்யவும், வேறு retrieval முறைகளை தேர்வு செய்யவும், பல கருவிகளை ஒருங்கிணைக்கவும் (Azure AI Search, SQL தரவுத்தளங்கள், தனிப்பயன் APIகள் போன்றவை) முடிவு செய்வதற்கு முன் செய்கிறது. இதனால் மிகக்குழப்பமான ஒழுங்குப்படுத்தும் கட்டமைப்புகளின் அவசியம் ஏற்படாது. ஒரு எளிய “LLM அழைப்பு → கருவி பயன்பாடு → LLM அழைப்பு → …” சுற்றுவட்டம் கூர்மையானதும் நிலையான வெளிப்பாடுகளையும் தரக்கூடும்.

Agentic RAG Core Loop

சிந்தனை செயல்முறைகளை அடக்குதல்

ஒரு அமைப்பை “agentic” ஆக்குவது அதன் reasoning செயல்முறையை தன்னிச்சையாகக் கோரிக்கையை உள்ளடக்கியது. பாரம்பரிய RAG நடைமுறைகள் முறையான வழிமுறையை மனிதர்கள் முன்கூட்டியே நிர்ணயிப்பதில் சார்ந்திருக்கும்: எப்போது ஏதேனும் பெறுவது என்பதற்கான சிந்தனை தொடர். ஆனால் உண்மையான agentic அமைப்பு, உள்ளார்ந்த முறையில் பிரச்சனையை எவ்வாறு அணுகுவது என்பதை முடிவு செய்கிறது. அது வெறும் ஒரு script ஐ இயக்குவது அல்ல; அது தரவின் தரத்தின் அடிப்படையில் நடவடிக்கைகள் தொடர் எடுப்பதை தன்னிச்சையாக நியமிக்கிறது. உதாரணமாக, ஒரு தயாரிப்பு வெளியீட்டு முன்னெடுப்பு திட்டத்தை உருவாக்கும்போது, அது முழு ஆராய்ச்சி மற்றும் முடிவெடுத்தல் பணிமுறையை அறிகுறிப்பாடாக பயன்படுத்தாது. அதற்கு பதிலாக, agentic மாதிரிகள் தன்னிச்சையாகத் தீர்மானிக்கின்றன:

  1. Bing வலைதள மூலதனத்தின் மூலம் தற்போதைய சந்தை போக்குவரத்து அறிக்கைகளை பெறுதல்
  2. Azure AI Search மூலம் சம்பந்தப்படுத்தப்பட்ட போட்டியாளர்களின் தரவுகளை கண்டறிதல்.
  3. Azure SQL தரவுத்தளத்தைப் பயன்படுத்தி வரலாற்று உள் விற்பனை அளவுருக்களை தொடர்புபடுத்தல்.
  4. Azure OpenAI சேவையின் மூலமாக கண்டுபிடிப்புகளை ஒருங்கிணைத்து ஒருமித்த திட்டத்தை உருவாக்குதல்.
  5. திட்டத்தில் உள்ள குறைபாடுகள் அல்லது முரண்பாடுகளுக்கான மதிப்பீடு செய்து தேவையானால் மறுகடத்தல்களைக் கேட்கவும். இவை எல்லாம்—கேள்விகளை மேம்படுத்துதல், தகவல் மூலத்தைத் தேர்ந்தெடுத்தல், பதில் “திருப்திகரமாக” வரும் வரை மீண்டும் முயற்சித்தல்—மாதிரி தானாக உதயமாக்குகிறது, மனிதன் முன்கூட்டியே சொல்லாத வரை இல்லை.

முறைக்கட்ட சுற்றுக்கள், கருவி இணைப்பு மற்றும் நினைவகம்

Tool Integration Architecture

ஒரு agentic அமைப்பு சுற்றுச்சூழல் தொடர்பு வடிவமைப்பை சார்ந்தது:

காலக் கடந்தும் இந்த செயலி மேம்பட்டு, மனிதன் இடையூறு புரிந்து காட்டாமலும், prompt மறுதழுவாமலும் கடினமான, பல படி பணிகளை நிறைவேற்றும் வகையில் மாறி வரும்.

தோல்வி நிலைகள் மற்றும் சுய திருத்தம் கையாளல்

Agentic RAG இன் சுயாதீனம் நிறைந்த சுயதிருத்த அமைப்புகளையும் கொண்டுள்ளது. அமைப்பு முடிவில்லா நிலைகளில்—for example தொடர்பற்ற ஆவணங்களை பெறுதல் அல்லது தவறான கேள்விகளுடன் சந்திக்கும்போது—விடுபட்ட முடிவுகளை:

இந்த முறையான மற்றும் சாந்தியான உட்கட்டமைப்பு மாதிரிக்குள் அதிகமாக மருந்தளிக்கும், இது ஒன்றுபட்ட ஓர் முறையல்ல; அந்நேரத்தில் நிகழும் பிழைமறுத்தல்களிலிருந்து கற்கும் வகை அமைப்பு ஆகும்.

Self Correction Mechanism

Agency இன் எல்லைகள்

ஒரு பணிக்குள் சுயாதீனமாக இருந்தாலும், Agentic RAG பொருளாதார பொதுவான நுண்ணறிவுக்கு ஒப்பாகாது. அதன் “agentic” திறன்கள் மனித வளர்ப்பாளர்களால் வழங்கப்பட்ட கருவிகள், தரவுத் தளங்கள் மற்றும் கொள்கைகளை மட்டுமே சார்ந்தவை. தன்னைத்தானே புதிய கருவிகளை கண்டு பிடிக்க முடியாது அல்லது அமைக்கப்பட்டுள்ள மண்டல எல்லைகளை மீறவும் முடியாது. அதற்குப் பதிலாக, கையிலுள்ள வளங்களை பராமரிப்பதிலும் கையாள்வதிலும் சிறந்தது. முன்னேற்றப்பட்ட AI வடிவுகளில் இருந்து முக்கிய வேறுபாடுகள்:

  1. துறை-சார்ந்த சுயாதீனம்: Agentic RAG அமைப்புகள் மனிதர் வரையறுத்த இலக்குகளை ஒரு அறிந்த துறையில் அடைய கவனம் செலுத்துகின்றன, கேள்வி மறுஉருவாக்கம் அல்லது கருவி தேர்வு போன்ற நுட்பங்களை பயன்படுத்தி முடிவுகளை மேம்படுத்துகின்றன.
  2. படியில் சார்ந்தது: அமைப்பின் திறன்கள் மனிதர்கள் இணைத்த கருவிகள் மற்றும் தரவு மீது அடிப்படையுடன் இருக்கின்றன. மனிதர்களின் இடையூறுமின்றி அவை மீற முடியாது.
  3. காப்பகங்களுக்கான மரியாதை: நெறிமுறை வழிகாட்டிகள், ஒழுங்குமுறை விதிகள் மற்றும் வணிக கொள்கைகள் மிக முக்கியம். முகவர்கள் எப்போதும் பாதுகாப்பு நடவடிக்கைகள் மற்றும் கண்காணிப்பு அமைப்புகளால் கட்டுப்படுத்தப்பட்டுள்ளனர் (என்றாலும்?)

நடைமுறை பயன்பாடுகள் மற்றும் மதிப்பு

Agentic RAG தேர்ச்சி மற்றும் சீரான முறையில் வளர்ச்சியடைய வேண்டிய சூழல்களில் சிறப்பாக விளங்குகிறது:

  1. துல்லியமுடைய சூழல்கள்: ஒழுங்கு சோதனைகள், ஒழுங்குமுறை பகுப்பாய்வு, சட்ட ஆராய்ச்சி போன்றவற்றில், agentic மாதிரி பலமுறை நிபுணத்துவமான பொது ஆய்வுகளை செய்வதால் முழுமையான உறுதி செய்யப்பட்ட பதில்களை வழங்கும்.
  2. கடினமான தரவுத்தளப் பணிகள்: கட்டமைக்கப்பட்ட தரவுகளுடன் சங்கடப்படும் போது கேள்விகள் தோல்வியடைய வாய்ப்பு அதிகம், அதைக் கூர்மை முறையில் நடிகையாக்க Azure SQL அல்லது Microsoft Fabric OneLake பயன்படுத்தி கேள்விகளை தானாக மேம்படுத்தும், இறுதி பெறுதல் பயனரின் நோக்கத்துடன் பொருந்தும்.
  3. ** நீண்டகால வேலைநெறிகள்:** நீண்ட நேரங் செயல்பாடுகள் புதிய தகவல்கள் தகவலாக வரும் பட்சத்தில் மாறும். Agentic RAG தொடர்ந்து தரவுகளை உட்கொண்டு, பிரச்சனையின் சூழ்நிலையை அளவிடி மாற்றும்.

நிர்வாகம், வெளிப்படைத்தன்மை மற்றும் நம்பிக்கை

இத்தகைய அமைப்புகள் reasoning தானாக அதிகமாக நடக்கும் போது, நிர்வாகமும் வெளிப்படைத்தன்மையும் அவசியம்:

நடவடிக்கைகளின் தெளிவான பதிவுகள் மிக முக்கியம். அவற்றுடன் இல்லாவிடில், பல படி செயல்முறையை பிழை திருத்துவது கடினமாகும். Literal AI (Chainlit பின்னணி நிறுவனம்)வின் Agent இயக்க உதாரணம் கீழே காண்க:

AgentRunExample

முடிவு

Agentic RAG என்பது AI அமைப்புகள் கடினமான, தரவுமிக்க பணிகளை நிர்வகிப்பதில் இயற்கையான பரிணாமத்தை பிரதிபலிக்கிறது. சுற்றுச்சூழல் தொடர்பு முறையை ஏற்று, கருவிகளை தானாக தேர்ந்தெடுத்து, கேள்விகளை மேம்படுத்தி உயர் தர முடிவு வரும்வரை செயல்படுகிறது. இது நிலையான prompt பின்தொடர்வை விட வித்தியாசமான, சூழ்நிலையை உணர்ந்து தேர்வு செய்யும் தீர்மானத்தை பெற உதவும். மனிதக் கட்டமைப்புகளாலும் ஒழுங்குமுறை வழிகாட்டுதல்களாலும் கட்டுப்படுத்தப்பட்டாலும், இந்த agentic திறன்கள் நிறுவனங்களுக்கும் இறுதி பயனர்களுக்கும் சிறந்த மற்றும் விரிவான AI பகிர்வுகளை அனுமதிக்கிறது.

Agentic RAG பற்றி இன்னும் கேள்விகள் உள்ளதா?

Microsoft Foundry Discord இல் சேர்ந்து மற்ற கற்றுகொள்ளும் நண்பர்களுடன் சந்திக்கவும், அலுவலக நேரங்களில் கலந்துகொண்டு உங்கள் AI முகவர் கேள்விகளை தீர்க்கவும்.

கூடுதல் வளங்கள்

அகாடமிக் ஆய்வுக் கட்டுரைகள்

இந்த ஏஜென்டை புகைச் சோதனை செய்வது (விருப்பமானது)

பாடம் 16ல் ஏஜென்ட்களை எப்படி நடத்தைபடுத்துவது என்று கற்றுக்கொண்ட பிறகு, இந்த பாடத்தின் TravelRAGAgent-ஐ புகைச் சோதனை செய்யலாம் — இதன் பதில்கள் அறிவுத்தளத்தில் அடிப்படையாக இருப்பதை சரிபார்க்க — tests/lesson-05-smoke-tests.json உடன். அதை எப்படி இயக்கு என்பது குறித்து tests/README.md பாருங்கள்.

முந்தைய பாடம்

கருவி பயன்பாடு வடிவம்

அடுத்த பாடம்

நம்பகமான AI ஏஜென்ட்களை உருவாக்குதல்

மறுப்பு: இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை Co-op Translator பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்துள்ளோம், ஆனால் தானாக செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அசல் ஆவணம் அதன் தாய்மொழியில் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கத்திற்கும் நாங்கள் பொறுப்பில்வில்லை.

This site is open source. Improve this page.