ai-agents-for-beginners

(คลิกที่ภาพด้านบนเพื่อดูวิดีโอของบทเรียนนี้)

Agentic RAG

บทเรียนนี้ให้ภาพรวมอย่างครอบคลุมเกี่ยวกับ Agentic Retrieval-Augmented Generation (Agentic RAG) ซึ่งเป็นรูปแบบ AI ใหม่ที่โมเดลภาษาใหญ่ (LLMs) วางแผนขั้นตอนถัดไปของตนเองโดยอัตโนมัติในขณะที่ดึงข้อมูลจากแหล่งภายนอก ต่างจากรูปแบบค้นหาข้อมูล-แล้วอ่านแบบคงที่ Agentic RAG เกี่ยวข้องกับการเรียกใช้ LLM เป็นรอบๆ สลับกับการเรียกใช้งานเครื่องมือหรือฟังก์ชัน และผลลัพธ์ที่มีโครงสร้าง ระบบจะประเมินผลลัพธ์ ปรับปรุงคำถาม เรียกใช้เครื่องมือเพิ่มเติมหากจำเป็น และดำเนินการซ้ำไปจนกว่าจะได้ผลลัพธ์ที่น่าพอใจ

บทนำ

บทเรียนนี้จะครอบคลุม

• เข้าใจ Agentic RAG: เรียนรู้เกี่ยวกับรูปแบบ AI ใหม่ที่โมเดลภาษาใหญ่ (LLMs) วางแผนขั้นตอนถัดไปของตนเองขณะที่ดึงข้อมูลจากแหล่งข้อมูลภายนอก
• ทำความเข้าใจรูปแบบผู้สร้าง-ผู้ตรวจสอบแบบวนซ้ำ: เข้าใจวงจรของการเรียก LLM ซ้ำๆ สลับกับการเรียกใช้งานเครื่องมือหรือฟังก์ชันและผลลัพธ์ที่มีโครงสร้าง ที่ออกแบบมาเพื่อปรับปรุงความถูกต้องและจัดการกับคำถามที่ผิดรูปแบบ
• สำรวจการใช้งานจริง: ระบุสถานการณ์ที่ Agentic RAG โดดเด่น เช่น สภาพแวดล้อมที่เน้นความถูกต้องเป็นหลัก การทำงานกับฐานข้อมูลที่ซับซ้อน และเวิร์กโฟลว์ที่ยาวนาน

เป้าหมายการเรียนรู้

หลังจากจบบทเรียนนี้ คุณจะรู้วิธี/เข้าใจ:

• การทำความเข้าใจ Agentic RAG: เรียนรู้เกี่ยวกับรูปแบบใหม่ใน AI ที่ LLMs วางแผนขั้นตอนต่อไปโดยอัตโนมัติขณะที่ดึงข้อมูลจากแหล่งข้อมูลภายนอก
• รูปแบบผู้สร้าง-ผู้ตรวจสอบแบบวนซ้ำ: เข้าใจแนวคิดของวงจรการเรียก LLM ซ้ำๆ สลับกับการเรียกใช้งานเครื่องมือหรือฟังก์ชันและผลลัพธ์ที่มีโครงสร้าง ที่ออกแบบมาเพื่อปรับปรุงความถูกต้องและจัดการกับคำถามที่ผิดรูปแบบ
• การเป็นเจ้าของกระบวนการให้เหตุผล: เข้าใจความสามารถของระบบในการเป็นเจ้าของกระบวนการให้เหตุผลของตนเอง ตัดสินใจได้ว่าจะจัดการกับปัญหาอย่างไรโดยไม่ต้องพึ่งพาเส้นทางที่กำหนดไว้ล่วงหน้า
• เวิร์กโฟลว์: เข้าใจวิธีที่โมเดลเอเยนต์ตัดสินใจอย่างอิสระในการดึงรายงานแนวโน้มตลาด ระบุข้อมูลคู่แข่ง เชื่อมโยงเมตริกการขายภายใน สังเคราะห์ผลลัพธ์ และประเมินกลยุทธ์
• วงจรวนซ้ำ การผสานเครื่องมือ และหน่วยความจำ: เรียนรู้เกี่ยวกับการพึ่งพารูปแบบการปฏิสัมพันธ์แบบวนซ้ำของระบบ ที่รักษาสถานะและหน่วยความจำข้ามขั้นตอน เพื่อหลีกเลี่ยงการวนซ้ำซ้อนและตัดสินใจได้อย่างมีข้อมูลมากขึ้น
• การจัดการโหมดล้มเหลวและการแก้ไขตนเอง: สำรวจกลไกการแก้ไขตนเองที่แข็งแกร่งของระบบ รวมถึงการวนซ้ำและเรียกข้อมูลใหม่ ใช้เครื่องมือวิเคราะห์ และขอความช่วยเหลือจากมนุษย์เมื่อจำเป็น
• ขอบเขตของการเป็นตัวแทน: เข้าใจข้อจำกัดของ Agentic RAG ซึ่งเน้นที่ความอิสระเฉพาะโดเมน การพึ่งพาโครงสร้างพื้นฐาน และการเคารพข้อจำกัดด้านความปลอดภัย
• กรณีใช้งานจริงและคุณค่า: ระบุสถานการณ์ที่ Agentic RAG โดดเด่น เช่น สภาพแวดล้อมที่เน้นความถูกต้องเป็นหลัก การทำงานกับฐานข้อมูลที่ซับซ้อน และเวิร์กโฟลว์ที่ยาวนาน
• การกำกับดูแล ความโปร่งใส และความน่าเชื่อถือ: เรียนรู้ความสำคัญของการกำกับดูแลและความโปร่งใส รวมถึงการให้เหตุผลที่เข้าใจง่าย การควบคุมความลำเอียง และการกำกับดูแลโดยมนุษย์

Agentic RAG คืออะไร?

Agentic Retrieval-Augmented Generation (Agentic RAG) เป็นรูปแบบ AI ที่เกิดขึ้นใหม่ ซึ่งโมเดลภาษาใหญ่ (LLMs) วางแผนขั้นตอนถัดไปของตนเองขณะที่ดึงข้อมูลจากแหล่งภายนอก ต่างจากรูปแบบค้นหาข้อมูล-แล้วอ่านแบบคงที่ Agentic RAG เกี่ยวข้องกับการเรียกใช้ LLM ในรูปแบบวนซ้ำ สลับกับการเรียกใช้งานเครื่องมือหรือฟังก์ชัน และผลลัพธ์ที่มีโครงสร้าง ระบบจะประเมินผลลัพธ์ ปรับปรุงคำถาม เรียกใช้เครื่องมือเพิ่มเติมหากจำเป็น และวนซ้ำจนกว่าจะได้คำตอบที่น่าพอใจ รูปแบบ “ผู้สร้าง-ผู้ตรวจสอบ” แบบวนซ้ำนี้ช่วยปรับปรุงความถูกต้อง จัดการกับคำถามผิดรูปแบบ และรับประกันผลลัพธ์ที่มีคุณภาพสูง

ระบบเป็นเจ้าของกระบวนการให้เหตุผลอย่างแข็งขัน โดยเขียนคำถามที่ล้มเหลวใหม่ เลือกวิธีดึงข้อมูลที่แตกต่าง และผสานเครื่องมือหลายตัว เช่น การค้นหาเวกเตอร์ใน Azure AI Search, ฐานข้อมูล SQL หรือ API ที่กำหนดเอง ก่อนสรุปคำตอบ คุณสมบัติที่โดดเด่นของระบบ Agentic คือความสามารถในการเป็นเจ้าของกระบวนการให้เหตุผล ระบบ RAG แบบดั้งเดิมมักอิงเส้นทางที่กำหนดไว้ล่วงหน้า แต่ระบบ Agentic จะกำหนดลำดับขั้นตอนตามคุณภาพข้อมูลที่ค้นพบโดยอัตโนมัติ

คำจำกัดความของ Agentic Retrieval-Augmented Generation (Agentic RAG)

Agentic Retrieval-Augmented Generation (Agentic RAG) เป็นรูปแบบ AI ที่กำลังเกิดขึ้น ซึ่ง LLMs ไม่เพียงแต่ดึงข้อมูลจากแหล่งภายนอกเท่านั้น แต่ยังวางแผนขั้นตอนถัดไปเองอย่างอิสระ ต่างจากรูปแบบค้นหาข้อมูล-แล้วอ่านแบบคงที่ หรือการตั้งลำดับข้อความกระตุ้นที่เขียนอย่างรอบคอบ Agentic RAG เกี่ยวข้องกับวงจรเรียก LLM ซ้ำๆ สลับกับการเรียกเครื่องมือหรือฟังก์ชัน และผลลัพธ์ที่มีโครงสร้าง ในแต่ละรอบ ระบบจะประเมินผลลัพธ์ ตัดสินใจว่าควรปรับปรุงคำถามหรือไม่ เรียกใช้เครื่องมือเพิ่มเติมหากจำเป็น และดำเนินการไปจนกว่าจะได้คำตอบที่น่าพอใจ

รูปแบบ “ผู้สร้าง-ผู้ตรวจสอบ” แบบวนซ้ำนี้ถูกออกแบบมาเพื่อเพิ่มความถูกต้อง จัดการกับคำถามผิดรูปแบบสำหรับฐานข้อมูลที่มีโครงสร้าง (เช่น NL2SQL) และรับประกันผลลัพธ์ที่สมดุลและมีคุณภาพสูง แทนที่จะพึ่งพาเฉพาะสายข้อความที่ออกแบบมาอย่างรอบคอบ ระบบจะเป็นเจ้าของกระบวนการให้เหตุผลอย่างแข็งขัน สามารถเขียนคำถามที่ล้มเหลวใหม่ เลือกวิธีดึงข้อมูลที่แตกต่าง และผสานหลายเครื่องมือ เช่น การค้นหาเวกเตอร์ใน Azure AI Search, ฐานข้อมูล SQL หรือ API ที่กำหนดเอง ก่อนสรุปคำตอบ วิธีนี้ช่วยลดความจำเป็นในการมีโครงสร้างควบคุมที่ซับซ้อนมาก แค่ลูป “เรียก LLM → ใช้เครื่องมือ → เรียก LLM → …” ก็สามารถให้ผลลัพธ์ที่ซับซ้อนและมีฐานข้อมูลที่มั่นคง

การเป็นเจ้าของกระบวนการให้เหตุผล

คุณสมบัติที่โดดเด่นที่ทำให้ระบบเป็น “agentic” คือความสามารถในการเป็นเจ้าของกระบวนการให้เหตุผลของตนเอง ระบบ RAG แบบดั้งเดิมมักพึ่งพามนุษย์ที่กำหนดเส้นทางสำหรับโมเดลไว้ล่วงหน้า: สายความคิดที่ระบุว่าจะดึงข้อมูลอะไรและเมื่อไร แต่เมื่อระบบเป็น agentic จริงๆ มันจะตัดสินใจภายในว่าจะจัดการกับปัญหาอย่างไร ไม่ใช่แค่รันสคริปต์ แต่มันจะกำหนดลำดับขั้นตอนโดยอัตโนมัติตามคุณภาพของข้อมูลที่มันค้นพบ ตัวอย่างเช่น หากถูกขอให้สร้างกลยุทธ์เปิดตัวผลิตภัณฑ์ มันจะไม่พึ่งพาแค่ prompt ที่ระบุเวิร์กโฟลว์การวิจัยและตัดสินใจทั้งหมด แต่โมเดล agentic จะตัดสินใจเองโดยอิสระในการ:

1. ดึงรายงานแนวโน้มตลาดปัจจุบันโดยใช้ Bing Web Grounding
2. ระบุข้อมูลคู่แข่งที่เกี่ยวข้องโดยใช้ Azure AI Search
3. เชื่อมโยงเมตริกการขายภายในย้อนหลังโดยใช้ Azure SQL Database
4. สังเคราะห์ผลลัพธ์เหล่านั้นเป็นกลยุทธ์ที่ประสานงานผ่าน Azure OpenAI Service
5. ประเมินกลยุทธ์เพื่อหาช่องว่างหรือความไม่สอดคล้อง และเรียกรอบการดึงข้อมูลเพิ่มเติมหากจำเป็น ทุกขั้นตอนเหล่านี้ — ปรับปรุงคำถาม เลือกแหล่งข้อมูล วนซ้ำจน “พอใจกับคำตอบ” — ถูกตัดสินใจโดยโมเดล ไม่ใช่เขียนสคริปต์ล่วงหน้าโดยมนุษย์

วงจรวนซ้ำ การผสานเครื่องมือ และหน่วยความจำ

ระบบ agentic พึ่งพารูปแบบการปฏิสัมพันธ์แบบวนซ้ำ:

• การเรียกครั้งแรก: เป้าหมายของผู้ใช้ (หรือ prompt ผู้ใช้) ถูกส่งไปยัง LLM
• การเรียกใช้เครื่องมือ: หากโมเดลพบว่าข้อมูลไม่ครบถ้วนหรือคำสั่งคลุมเครือ มันจะเลือกเครื่องมือหรือวิธีการดึงข้อมูล เช่น การค้นหาจากฐานข้อมูลเวกเตอร์ (เช่น Azure AI Search แบบ Hybrid search บนข้อมูลส่วนตัว) หรือการเรียก SQL ที่มีโครงสร้างเพื่อรวบรวมบริบทเพิ่มเติม
• การประเมิน & ปรับปรุง: หลังจากตรวจสอบข้อมูลที่คืนกลับมา โมเดลจะตัดสินใจว่าข้อมูลนั้นเพียงพอหรือไม่ ถ้าไม่เพียงพอ จะปรับปรุงคำถาม ลองใช้เครื่องมืออื่น หรือปรับวิธีการใหม่
• วนซ้ำจนพอใจ: วงจรนี้จะดำเนินต่อไปจนกว่าโมเดลจะเห็นว่ามีความชัดเจนและหลักฐานเพียงพอที่จะให้คำตอบสุดท้ายที่มีเหตุผลดี
• หน่วยความจำ & สถานะ: เนื่องจากระบบจะรักษาสถานะและหน่วยความจำข้ามขั้นตอน จึงสามารถจำการพยายามครั้งก่อนและผลลัพธ์ของมัน หลีกเลี่ยงการวนซ้ำซ้อน และตัดสินใจได้อย่างฉลาดขึ้นในขั้นตอนถัดไป

เมื่อเวลาผ่านไป สิ่งนี้สร้างความเข้าใจที่พัฒนาอย่างต่อเนื่อง ทำให้โมเดลสามารถจัดการงานที่ซับซ้อนหลายขั้นตอนได้โดยไม่ต้องมีมนุษย์เข้ามาขัดจังหวะหรือแก้ไข prompt อยู่เสมอ

การจัดการโหมดล้มเหลวและการแก้ไขตนเอง

ความเป็นอิสระของ Agentic RAG ยังรวมถึงกลไกการแก้ไขตนเองที่แข็งแรง เมื่อระบบเจอกับทางตัน เช่น ดึงเอกสารที่ไม่เกี่ยวข้อง หรือเจอคำถามผิดรูปแบบ มันสามารถ:

• วนซ้ำและถามใหม่: แทนที่จะให้คำตอบที่มีคุณค่าน้อย โมเดลจะลองใช้กลยุทธ์ค้นหาใหม่ เขียนคำถามฐานข้อมูลใหม่ หรือดูชุดข้อมูลทางเลือก
• ใช้เครื่องมือวิเคราะห์: ระบบอาจเรียกใช้ฟังก์ชันเพิ่มเติมที่ช่วยในการดีบักขั้นตอนการให้เหตุผล หรือยืนยันความถูกต้องของข้อมูลที่ดึงมา เครื่องมือเช่น Azure AI Tracing จะมีบทบาทสำคัญในการเพิ่มความสามารถในการมองเห็นและตรวจสอบระบบ
• ขอความช่วยเหลือจากมนุษย์: สำหรับสถานการณ์ที่มีความเสี่ยงสูงหรือเกิดข้อผิดพลาดซ้ำๆ โมเดลอาจแจ้งสถานะไม่แน่ใจและขอการชี้นำจากมนุษย์ เมื่อได้รับคำแนะนำที่ทำให้ถูกต้องแล้ว โมเดลสามารถนำบทเรียนนั้นไปปรับใช้ในอนาคตได้

วิธีการวนซ้ำและไดนามิกนี้ช่วยให้โมเดลพัฒนาต่อเนื่อง รับประกันว่าไม่ใช่แค่ระบบที่ทำงานครั้งเดียว แต่เป็นระบบที่เรียนรู้จากความผิดพลาดในแต่ละเซสชัน

ขอบเขตของการเป็นตัวแทน

แม้ว่าจะมีความเป็นอิสระในงาน Agentic RAG ไม่เทียบเท่ากับปัญญาประดิษฐ์ทั่วไป (Artificial General Intelligence) ความสามารถ “agentic” ของมันจำกัดอยู่ในเครื่องมือ แหล่งข้อมูล และนโยบายที่มนุษย์พัฒนาให้ ไม่สามารถคิดค้นเครื่องมือของตัวเองหรือก้าวออกนอกขอบเขตโดเมนที่กำหนดไว้ได้ แต่มันโดดเด่นในการประสานงานทรัพยากรที่มีอยู่ให้เกิดประโยชน์สูงสุด ความแตกต่างหลักจาก AI ที่ก้าวหน้ากว่าประกอบด้วย:

1. ความเป็นอิสระเฉพาะโดเมน: ระบบ Agentic RAG มุ่งเน้นการบรรลุเป้าหมายที่ระบุโดยผู้ใช้ภายในโดเมนที่รู้จัก ใช้กลยุทธ์เช่นการเขียนคำถามใหม่หรือการเลือกเครื่องมือเพื่อปรับปรุงผลลัพธ์
2. พึ่งพาโครงสร้างพื้นฐาน: ความสามารถของระบบขึ้นอยู่กับเครื่องมือและข้อมูลที่นักพัฒนาผสาน ระบบไม่สามารถก้าวข้ามขอบเขตเหล่านี้โดยไม่มีการแทรกแซงของมนุษย์
3. เคารพข้อจำกัด: แนวทางจริยธรรม ข้อกำหนดทางกฎหมาย และนโยบายธุรกิจยังคงมีความสำคัญอย่างมาก อิสระของเอเยนต์ถูกจำกัดด้วยมาตรการความปลอดภัยและกลไกการกำกับดูแล (หวังว่า)

กรณีใช้งานจริงและคุณค่า

Agentic RAG โดดเด่นในสถานการณ์ที่ต้องการการปรับปรุงและความแม่นยำแบบวนซ้ำ:

1. สภาพแวดล้อมที่เน้นความถูกต้องเป็นหลัก: ในการตรวจสอบการปฏิบัติตามข้อกำหนด การวิเคราะห์กฎหมาย หรือการวิจัยทางกฎหมาย โมเดล agentic สามารถตรวจสอบข้อเท็จจริงซ้ำๆ ปรึกษาหลายแหล่ง และเขียนคำถามใหม่จนกว่าจะได้คำตอบที่ผ่านการตรวจสอบอย่างละเอียด
2. การทำงานกับฐานข้อมูลที่ซับซ้อน: เมื่อทำงานกับข้อมูลที่มีโครงสร้าง และคำถามมักล้มเหลวหรือต้องปรับแก้ ระบบสามารถปรับปรุงคำถามได้เองโดยใช้ Azure SQL หรือ Microsoft Fabric OneLake เพื่อให้การดึงข้อมูลสุดท้ายสอดคล้องกับเจตนาของผู้ใช้
3. เวิร์กโฟลว์ที่ยาวนาน: เซสชันที่ดำเนินไปนานอาจพัฒนายิ่งขึ้นเมื่อข้อมูลใหม่ปรากฏขึ้น Agentic RAG สามารถรวมข้อมูลใหม่อย่างต่อเนื่อง และปรับกลยุทธ์เมื่อเรียนรู้มากขึ้นเกี่ยวกับปัญหา

การกำกับดูแล ความโปร่งใส และความน่าเชื่อถือ

เมื่อระบบเหล่านี้มีความเป็นอิสระในการให้เหตุผลมากขึ้น การกำกับดูแลและความโปร่งใสจึงเป็นสิ่งสำคัญ:

• การให้เหตุผลที่อธิบายได้: โมเดลสามารถแสดงเส้นทางการตรวจสอบของคำถามที่ได้ทำ แหล่งข้อมูลที่ใช้ และขั้นตอนการให้เหตุผลที่ทำจนถึงข้อสรุป เครื่องมืออย่าง Azure AI Content Safety และ Azure AI Tracing / GenAIOps ช่วยรักษาความโปร่งใสและลดความเสี่ยง
• การควบคุมอคติและการดึงข้อมูลที่สมดุล: นักพัฒนาสามารถปรับกลยุทธ์การดึงข้อมูลเพื่อให้พิจารณาแหล่งข้อมูลที่เป็นตัวแทนและสมดุล และตรวจสอบผลลัพธ์อย่างสม่ำเสมอเพื่อตรวจจับอคติหรือรูปแบบที่เอนเอียง โดยใช้โมเดลที่กำหนดเองสำหรับองค์กรวิทยาศาสตร์ข้อมูลขั้นสูงที่ใช้ Azure Machine Learning
• การกำกับดูแลโดยมนุษย์และการปฏิบัติตามข้อกำหนด: สำหรับงานที่มีความละเอียดอ่อน การตรวจทานโดยมนุษย์ยังคงจำเป็น Agentic RAG ไม่ได้ทดแทนการตัดสินใจของมนุษย์ในสถานการณ์เสี่ยงสูง แต่ช่วยเสริมด้วยตัวเลือกที่ผ่านการตรวจสอบอย่างละเอียดขึ้น

การมีเครื่องมือที่บันทึกการดำเนินการอย่างชัดเจนเป็นสิ่งจำเป็น หากขาดสิ่งนี้ การดีบักกระบวนการหลายขั้นตอนอาจเป็นเรื่องยาก ดูตัวอย่างต่อไปนี้จาก Literal AI (บริษัทที่อยู่เบื้องหลัง Chainlit) สำหรับการทำงานของ Agent:

สรุป

Agentic RAG เป็นวิวัฒนาการธรรมชาติวิธีที่ระบบ AI จัดการงานที่ซับซ้อนและมีข้อมูลจำนวนมาก โดยใช้รูปแบบการปฏิสัมพันธ์เป็นรอบๆ เลือกเครื่องมืออย่างอิสระ และปรับปรุงคำถามจนได้ผลลัพธ์คุณภาพสูง ระบบจึงก้าวข้ามการทำตาม prompt แบบคงที่ไปสู่การตัดสินใจที่ปรับตัวได้และตระหนักรู้บริบท แม้จะยังอยู่ภายใต้โครงสร้างพื้นฐานและแนวทางจริยธรรมที่มนุษย์กำหนด แต่ความสามารถ Agentic เหล่านี้ช่วยให้การโต้ตอบ AI มีความลึกซึ้ง ยืดหยุ่น และมีประโยชน์มากขึ้นสำหรับองค์กรและผู้ใช้ทั่วไป

มีคำถามเพิ่มเกี่ยวกับ Agentic RAG ไหม?

เข้าร่วม Microsoft Foundry Discord เพื่อพบปะกับผู้เรียนคนอื่นๆ เข้าร่วมชั่วโมงสำนักงาน และรับคำตอบสำหรับคำถามเกี่ยวกับ AI Agents ของคุณ

แหล่งข้อมูลเพิ่มเติม

• การใช้งาน Retrieval Augmented Generation (RAG) กับ Azure OpenAI Service: เรียนรู้วิธีใช้ข้อมูลของคุณเองกับ Azure OpenAI Service โมดูล Microsoft Learn นี้ให้คำแนะนำครบถ้วนเกี่ยวกับการใช้งาน RAG
• การประเมินแอปพลิเคชัน Generative AI ด้วย Microsoft Foundry: บทความนี้ครอบคลุมการประเมินและเปรียบเทียบโมเดลบนชุดข้อมูลที่เผยแพร่สู่สาธารณะ รวมถึงแอปพลิเคชัน Agentic AI และสถาปัตยกรรม RAG
• Agentic RAG คืออะไร | Weaviate

• Agentic RAG: คู่มือครบถ้วนสำหรับการสร้าง Retrieval Augmented Generation โดยตัวแทน – ข่าวจาก generation RAG

• Agentic RAG: เพิ่มพลังให้ RAG ของคุณด้วยการปรับปรุงคำค้นหาและการค้นหาเอง! Hugging Face Open-Source AI Cookbook
• การเพิ่มชั้น Agentic ให้กับ RAG
• อนาคตของผู้ช่วยด้านความรู้: Jerry Liu
• วิธีสร้างระบบ Agentic RAG
• การใช้บริการ Microsoft Foundry Agent เพื่อขยายขนาดเอไอเอเจนต์ของคุณ

เอกสารวิชาการ

• 2303.17651 Self-Refine: การปรับปรุงซ้ำด้วยคำติชมจากตนเอง
• 2303.11366 Reflexion: ตัวแทนภาษาโดยใช้การเรียนรู้เสริมด้วยคำพูด
• 2305.11738 CRITIC: โมเดลภาษาขนาดใหญ่สามารถแก้ไขตัวเองได้ด้วยการวิจารณ์ที่มีเครื่องมือโต้ตอบ
• 2501.09136 Agentic Retrieval-Augmented Generation: การสำรวจเกี่ยวกับ Agentic RAG

การทดสอบเบื้องต้นของ Agent นี้ (ไม่บังคับ)

หลังจากที่คุณเรียนรู้การเปิดใช้งานเอเจนต์ใน บทเรียนที่ 16 คุณสามารถทดสอบเอเจนต์ TravelRAGAgent ของบทเรียนนี้แบบเบื้องต้น — เพื่อเช็คว่าคำตอบยังคงมีพื้นฐานจากฐานความรู้ — โดยใช้ tests/lesson-05-smoke-tests.json ดู tests/README.md เพื่อดูวิธีรัน

บทเรียนก่อนหน้า

รูปแบบการใช้เครื่องมือ

บทเรียนถัดไป

การสร้างเอเจนต์ AI ที่น่าเชื่อถือ

---

ปฏิเสธความรับผิดชอบ: เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้

This site is open source. Improve this page.