ai-agents-for-beginners

Agentic RAG

(ఈ పాఠానికి సంబంధించిన వీడియోను చూడటానికి పై చిత్రాన్ని క్లిక్ చేయండి)

ఏజెంటిక్ RAG

ఈ పాఠం ఏజెంటిక్ రిట్రీవల్-ఆగ్మెంటెడ్ జనరేషన్ (Agentic RAG) గురించి సమగ్ర అవగాహన అందిస్తుంది, ఇది ఒక తాజా AI ప్రాతిపదికగా పనిచేస్తుంది, ఇందులో పెద్ద భాషా నమూనాలు (LLMs) స్వయంచాలకంగా తమ తరువాతి దశలను ప్రణాళిక చేస్తుంటాయి మరియు బయటి మూలాల నుండి సమాచారాన్ని అన్వయిస్తాయి. స్థితిస్థాపక రిట్రీవల్-తర్వాత-చదవడం నమూనాల కంటే భిన్నంగా, ఏజెంటిక్ RAG లో LLM కు పునరావృత కాల్స్ ఉంటాయి, వాటిలో టూల్స్ లేదా ఫంక్షన్ కాల్స్ మరియు నిర్మిత అవుట్పుట్‌లు మిళితం చేయబడతాయి. సిస్టమ్ ఫలితాలను మూల్యాంకనం చేసి, విచారణలను మెరుగుపరుస్తుంది, అవసరమైతే అదనపు టూల్స్ ను పిలుస్తుంది, మరియు తృప్తికరమైన పరిష్కారం సాద్యం అయ్యే వరకు ఈ చక్రాన్ని కొనసాగిస్తుంది.

పరిచయం

ఈ పాఠం కిందివి కవర్ చేస్తుంది

నేర్చుకునే లక్ష్యాలు

ఈ పాఠం పూర్తి కానంత వరకు మీరు నేర్చుకునే/అర్థం చేసుకునే విషయాలు:

ఏజెంటిక్ RAG అంటే ఏమిటి?

ఏజెంటిక్ రిట్రీవల్-ఆగ్మెంటెడ్ జనరేషన్ (Agentic RAG) అనేది ఒక కొత్త AI ప్రాతిపదిక, ఇందులో పెద్ద భాషా నమూనాలు (LLMs) స్వయంచాలకంగా తమ తరువాతి దశలను ప్రణాళిక చేస్తూ బయటి మూలాల నుండి సమాచారాన్ని తీసుకుంటాయి. స్థిరమైన రిట్రీవల్-తర్వాత-చదవడం నమూనాలుతో పోలిస్తే, Agentic RAG లో పునరావృత కాల్స్ LLM కు, టూల్స్ లేదా ఫంక్షన్ కాల్స్ మరియు నిర్మిత అవుట్పుట్‌లు మధ్యలో మిళితం చేయబడతాయి. సిస్టమ్ ఫలితాలను మూల్యాంకనం చేసి, విచారణలను మెరుగుపరిచి, అవసరమైతే అదనపు టూల్స్ ను పిలుస్తూ ఈ చక్రాన్ని కొనసాగించి తృప్తికరమైన పరిష్కారం సాద్యం చేస్తుంది. ఈ పునరావృత “మేకర్-చెక్కర్” శైలి సరైనత మెరుగుపడేందుకు, తప్పు విచారణలను నిర్వహించేందుకు, మరియు అత్యున్నత-నాణ్యత ఫలితాలను అందించేందుకు సహాయపడుతుంది.

సిస్టమ్ తన తర్క ప్రక్రియను సక్రియంగా చేపడుతుంది, విఫలమైన విచారణలను మళ్ళీ వ్రాసుకోవడం, వివిధ రిట్రీవల్ విధానాలను ఎంచుకోవడం, మరియు Azure AI Searchలో వెక్టర్ సెర్చ్, SQL డేటాబేస్‌లు లేదా కస్టమ్ API లాంటి అనేక టూల్స్ ని ఒకచోట చేర్చడం జరుగుతుంది. ఏజెంటిక్ సిస్టమ్ ప్రత్యేకత దాని తర్క ప్రక్రియను స్వయంచాలకంగా చేపట్టగల సామర్థ్యంలో ఉంది. సంప్రదాయ RAG అమలులో నిర్ణీత మార్గాలపై ఆధారపడి ఉంటాయి, కాని ఏజెంటిక్ సిస్టమ్ సమాచార నాణ్యతకు ఆధారంగా దశల క్రమాన్ని స్వయంచాలకంగా నిర్ణయిస్తుంది.

ఏజెంటిక్ రిట్రీవల్-ఆగ్మెంటెడ్ జనరేషన్ (Agentic RAG) నిర్వచనం

ఏజెంటిక్ రిట్రీవల్-ఆగ్మెంటెడ్ జనరేషన్ (Agentic RAG) అనేది AI అభివృద్ధిలో ఒక కొత్త ఆధిక్యమయిన తరహా, ఇందులో LLMలు బయటి డేటా మూలాల నుండి సమాచారాన్ని మాత్రమే కాకుండా, తమ తదుపరి చర్యలను స్వయంచాలకంగా ప్రణాళిక చేస్తాయి. స్థిరమైన రిట్రీవల్-తర్వాత-చదవడం నమూనాలు లేదా జాగ్రత్తగా తిరిగి రాసిన ప్రాంప్ట్ సిరీస్‌ల కంటే భిన్నంగా, ఏజెంటిక్ RAG లో LLMకు పునరావృత కాల్స్ లూప్, టూల్ లేదా ఫంక్షన్ కాల్స్ మరియు నిర్మిత అవుట్పుట్‌ల మధ్యలో ఉంటాయి. ప్రతి దశలో సిస్టమ్ పొందిన ఫలితాలను మూల్యాంకనం చేసి, విచారణలను మెరుగుపర్చడం అవసరమైతే నిర్ణయించి, అదనపు టూల్స్‌ను వాడుతుంది, మరింత తృప్తికర పరిష్కారం వరకు ఈ చక్రాన్ని కొనసాగిస్తుంది.

ఈ పునరావృత “మేకర్-చెక్కర్” శైలి ఆపరేషన్‌ సరైనతను మెరుగుపరచడానికి, నిర్మిత డేటాబేస్ల వద్ద తప్పు విచారణలను నిర్వహించడానికి (ఉదా. NL2SQL), మరియు సమతుల్యమైన, అధిక-నాణ్యత ఫలితాలను నిర్ధారించడానికి రూపొందించబడింది. జాగ్రత్తగా రూపకల్పన చేసిన ప్రాంప్ట్ చైన్లు మాత్రమే కాకుండా, సిస్టమ్ తాను తర్క ప్రక్రియను సక్రియంగా చేపడుతుంది. అది విఫలమైన విచారణలను మళ్ళీ వ్రాసుకోవచ్చు, వివిధ రిట్రీవల్ విధానాలను ఎంచుకోవచ్చు, మరియు అనేక టూల్స్‌ను చేర్చుకోవచ్చు - ఉదా. Azure AI Searchలో వెక్టర్ సెర్చ్, SQL డేటాబేస్లు లేదా కస్టమ్ API లను - సమాధానాన్ని తుది చేయడం ముందు. దీని వల్ల అతి క్లిష్టమైన మేనేజిమెంట్ ఫ్రేమ్‌వర్క్‌లకు అవసరం ఉండదు. బదులుగా, “LLM కాల్ → టూల్ వాడటం → LLM కాల్ → …” వంటి సరళమైన లూప్ ఆధునిక, బలమైన అవుట్పుట్‌లను అందించగలదు.

Agentic RAG Core Loop

తర్క ప్రక్రియలో స్వంతం ఉండటం

ఒక సిస్టమ్‌ను “ఏజెంటిక్”గా మార్చే ప్రత్యేక లక్షణం దాని తర్క ప్రక్రియను స్వయంగా చేపట్టగలిగే సామర్థ్యం. సంప్రదాయ RAG అమలులో మోడల్‌ కు ముందుగా మనుష్యులు ఒక మార్గదర్శక మార్గాన్ని నిర్ణయిస్తారు; ఏదో త‌ర‌హాలో ఏమి రిట్రీవ్ చేయాలో మరియు ఎప్పుడు చేయాలో నిర్ణయించబడిన తర్క కకథ. కానీ ఒక సిస్టమ్ నిజంగా ఏజెంటిక్ అయితే, అది అంతర్గతంగా సమస్యను ఎలా పరిష్కరించాలో నిర్ణయిస్తుంది. అది కేవలం స్క్రిప్ట్‌ను అమలు చేయడం కాదు; అది స్వయంచాలకంగా సమాచార నాణ్యత ఆధారంగా దశల క్రమాన్ని నిర్ణయిస్తుంది. ఉదాహరణకు, ఒక ఉత్పత్తి ప్రారంభ వ్యూహాన్ని సృష్టించమని అడిగితే, అది అంతా సన్నద్ధమైన పరిశోధనా మరియు నిర్ణయ తీసుకునే వర్క్‌ఫ్లోను వివరించు ప్రాంప్ట్‌పై మాత్రమే ఆధారపడదు. బదులుగా, ఏజెంటిక్ మోడల్ స్వతంత్రంగా నిర్ణయిస్తుంది:

  1. Bing Web Grounding ఉపయోగించి ప్రస్తుత మార్కెట్ ట్రెండ్ రిపోర్టులను రిట్రీవ్ చేయండి
  2. Azure AI Search ఉపయోగించి సంబంధిత పోటీదారుల డేటాను గుర్తించండి
  3. Azure SQL డేటాబేస్ ఉపయోగించి చారిత్రాత్మక అంతర్గత అమ్మకాల కొలతలతో సంబంధాన్ని కలిగి ఉండండి
  4. Azure OpenAI సేవ ద్వారా సమన్వయింపబడిన సంగ్రహ వ్యూహంగా కనుగొనబడిన అంశాలను సమాహరించండి
  5. లోట్ల కోసం వ్యూహాన్ని మూల్యాంకనం చేయండి లేదా అసమ్మతులను గుర్తించి అవసరమైతే మరొక రౌండ్ రిట్రీవల్ చేయండి ఈ అన్ని దశలూ — విచారణలను మెరుగుపరచడం, మూలాలను ఎంచుకోవడం, సమాధానంపై “సంతోషపడే” వరకు పునరావృత పరీక్షించడం — మోడల్ నిర్ణయిస్తుంది, కేవలం మనిషి ముందుగా రాసిన స్క్రిప్ట్ ఆధారంగా కాదు.

పునరావృత లూపులు, టూల్ ఇంటిగ్రేషన్ మరియు మెమోరీ

Tool Integration Architecture

ఏజెంటిక్ సిస్టమ్ బలమైన లూప్ చేసే ఇంటరాక్షన్ నమూనాపై ఆధారపడి ఉంటుంది:

కాలక్రమేణా, ఇది అభివృద్ధి చెందుతున్న అవగాహన భాష్యాన్ని సృష్టిస్తుంది, మోడల్‌ను సంక్లిష్టమైన, బహుళ-దశల పనుల సమన్వయానికి అనుకూలంగా మార్చి, మానవ జోక్యం లేకుండానే లేదా ప్రాంప్ట్‌ను పునఃరూపకల్పన చేసుకోవాల్సిన అవసరం లేకుండా పనిచేయగలుగుతుంది.

విఫలతా మోడ్ల్స్ మరియు స్వయం సరిదిద్దుకోవడం

ఏజెంటిక్ RAG స్వతంత్రతలో బలమైన స్వయం సరిదిద్దుకునే క్రమాలు కూడా ఉంటాయి. సిస్టమ్ చుక్కలు ఎదురైతే—for example, సంబంధంలేని పత్రాలు రిట్రీవ్ చేయడం లేదా తప్పు విచారణలతో—:

ఈ పునరావృత మరియు క్రియాత్మక దృక్పథం మోడల్‌ను నిరంతర మెరుగుదలకు వీలు కల్పిస్తుంది, ఒక్కసారి మాత్రమే పనిచేసే సిస్టమ్ కాకుండా, ఒక సెషన్ లో తమ పొరపాట్ల నుండి నేర్చుకునే సిస్టమ్‌గా మారుస్తుంది.

Self Correction Mechanism

ఏజెన్సీ పరిమితులు

ఒక పనిలో స్వతంత్రత కలిగినప్పటికీ, ఏజెంటిక్ RAG ఆర్టిఫిషియల్ జనరల్ ఇంటెలిజెన్స్‌కు సమానంగా లేదు. దాని “ఏజెంటిక్” సామర్థ్యాలు మానవ అభివృద్ధిదారులు అందించిన టూల్స్, డేటా మూలాలు మరియు విధానాలకు పరిమితం. అది తన స్వంత టూల్స్ ఆవిష్కరించలేకపోతోంది లేదా ఇచ్చిన డొమైన్ పరిమితులను దాటి అడుగులు వేయలేగా. బదులుగా, దాన్ని అందుబాటులో ఉన్న వనరులను జీవంగా సంయోజించడంలో మిక్కిలి నైపుణ్యం ఉంది. ముఖ్యమైన భేదాలు అధుకు ఉన్న AI రూపాలతో ఈ క్రింది వంటివి:

  1. డొమైన్-నిర్దిష్ట స్వేచ్ఛ: ఏజెంటిక్ RAG సిస్టమ్‌లు వినియోగదారులు నిర్వచించిన లక్ష్యాలను తెలిసిన డొమైన్‌లో సాధించడంపై దృష్టిపెడతాయి, మంచి ఫలితాల కోసం విచారణ పునర్రచన లేదా టూల్ ఎంపిక వంటి వ్యూహాలను ఉపయోగిస్తాయి.
  2. మౌలిక సదుపాయంపై ఆధారపడటం: సిస్టమ్ సామర్థ్యాలు అభివృద్ధిదారులు చేర్చిన టూల్స్ మరియు డేటాపై ఆధారపడి ఉంటాయి. మానవ జోక్యం లేకుండా ఈ పరిమితులను దాటి పోవలేరు.
  3. గార్డు‌రైల్స్‌కు గౌరవం: నైతిక మార్గదర్శకాలు, అనుగుణత నియమాలు మరియు వ్యాపార విధానాలు చాలా ముఖ్యమైనవి. ఏజెంట్ యొక్క స్వేచ్ఛ ఎప్పుడూ భద్రతా చర్యల మరియు పర్యవేక్షణ వ్యవస్థల ద్వారా నియంత్రించబడుతుంది (ఆశిస్తున్నాము?)

ప్రయోజనపూర్వక ఉపయోగ ఉదాహరణలు మరియు విలువ

ఏజెంటిక్ RAG పునరావృత మెరుగుదల మరియు ఖచ్చితత్వాన్ని అవసరపడే పరిస్థితుల్లో మెరుగుపడుతుంది:

  1. ఖచ్చితత్వ-ముందుగానే వాతావరణాలు: అడుగడుగునూ వాస్తవాలను నిర్ధారించడం, అనేక మూలాల సంప్రదించడం మరియు విచారణలను పునర్రచేయడం ద్వారా పూర్తిగా పరిశీలించిన సమాధానం అందించగలదు, ఉదా. అనుగుణత తనిఖీలు, నియంత్రణ విశ్లేషణ, లేదా చట్టపరమైన పరిశోధనలో.
  2. సంక్లిష్ట డేటాబేస్ ఇంటరాక్షన్లు: నిర్మిత డేటాతో వ్యవహరించే సమయంలో, అక్కడ విచారణలు విఫలంకానీ సరిచేయబడాల్సిన పరిస్థితినీ ఎదుర్కొంటాయే, సిస్టమ్ Azure SQL లేదా Microsoft Fabric OneLake ఉపయోగించి విచారణలను స్వయంచాలకంగా మెరుగుపరచకుండా, తుది రిట్రీవల్ వినియోగదారుని ఉద్దేశ్యంను అనుసరిస్తుంది.
  3. విస్తృత వర్క్‌ఫ్లోలు: ఎక్కువకాలం నడిచే సెషన్‌లు కొత్త సమాచారం వెలుగులోకి వచ్చినట్లు అభివృద్ధి చెందవచ్చు. ఏజెంటిక్ RAG నిరంతరం కొత్త డేటాను చేర్చగలదు, సమస్య ప్రాంతం గురించి ఎక్కువ తెలుసుకుంటూ వ్యూహాలను మార్చుకుంటూ ఉంటుంది.

పాలన, పారదర్శకత మరియు విశ్వాసం

ఈ సిస్టమ్‌లు తమ తర్కంలో మరింత స్వతంత్రంగా మారినప్పుడు, పాలన మరియు పారదర్శకత చాలా ముఖ్యమవుతాయి:

చర్యల స్పష్టమైన రికార్డు అందించే టూల్స్ ఉండటం చాలా అవసరం. లేకపోతే, బహుళ-దశల ప్రక్రియలో సమస్యలను గుర్తించడం చాలా కష్టమవుతుంది. Literal AI (Chainlit వెనుక సంస్థ) నుండి ఒక ఏజెంట్ రన్ ఉదాహరణ చూడండి:

AgentRunExample

ముగింపు

ఏజెంటిక్ RAG అనేది AI సిస్టమ్‌లు సంక్లిష్ట, డేటా-భారీ పనులను ఎలా నిర్వహిస్తాయో సహజంగా అభివృద్ధి చెందడం. లూప్ చేసే ఇంటరాక్షన్ నమూనాను అవలంబించి, స్వయంచాలకంగా టూల్స్ ఎంచుకుని, మెరుగైన ఫలితం సాధించేవరకు విచారణలను పునరావృతం చేయడం ద్వారా, సిస్టమ్ స్థిరమైన ప్రాంప్ట్ అనుసరణకు మించి, మరింత అనుకూలిత, సందర్భం-అర్థం చేసుకునే నిర్ణయ తీసుకునే యంత్రంగా మారుతుంది. ఇంకా మానవ నిర్వచిత మౌలిక సదుపాయాలు మరియు నైతిక మార్గదర్శకాలు నియంత్రణలో ఉన్నప్పటికీ, ఈ ఏజెంటిక్ సామర్థ్యాలు సంస్థలకు మరియు చివరి వినియోగదారులకు మరింత ధన్యమైన, ప్రాణవంతమైన మరియు ఉపయోగకర AI ఇంటరాక్షన్లను అందిస్తాయి.

ఏజెంటిక్ RAG గురించి మరిన్ని ప్రశ్నలు ఉన్నాయా?

ఇతర అభ్యర్ధులతో కలుసుకోవడానికి, కార్యాలయ సమయాల్లో పాల్గొనడానికి మరియు మీ AI ఏజెంట్లు ప్రశ్నలకు సమాధానం పొందడానికి Microsoft Foundry Discord లో చేరండి.

అదనపు వనరులు

అకాడమిక్ పేపర్స్

ఈ ఏజెంట్‌ను స్మోక్-టెస్టింగ్ చేయడం (ఐచ్ఛికం)

మీరు పాఠం 16లో ఏజెంట్లను అమలు చేయడం నేర్చుకున్న తర్వాత, ఈ పాఠంలోని TravelRAGAgent ను స్మోక్-టెస్ట్ చేయవచ్చు — దీని జవాబులు జ్ఞాన బేస్‌పై స్థిరంగా ఉంటాయో కాదో చూడండి — tests/lesson-05-smoke-tests.jsonతో. దీనిని ఎలా నిర్వహించాలో చూడటానికి tests/README.md చూడండి.

గత పాఠం

టూల్ ఉపయోగ డిజైన్ ప్యాటర్న్

తదుపరి పాఠం

నమ్మదగిన AI ఏజెంట్ల నిర్మాణం

అస్వీకరణ: ఈ పత్రం AI అనువాద సేవ Co-op Translator ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నిస్తున్నప్పటికీ, ఆటోమేటెడ్ అనువాదాలు తప్పులు లేదా అసమగ్రతలను కలిగి ఉండవచ్చు. దాని స్వదేశ భాషలో ఉన్న అసలు పత్రాన్ని అధికారం కలిగిన మూలంగా పరిగణించాలి. కీలకమైన సమాచారం కోసం, ప్రొఫెషనల్ మానవ అనువాదాన్ని సిఫారసు చేస్తాము. ఈ అనువాదం ఉపయోగం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారులు కోసం మేము బాధ్యత వహించము.

This site is open source. Improve this page.