ai-agents-for-beginners

Agentic RAG

(Bu dersin videosunu izlemek için üstteki görsele tıklayın)

Agentik RAG

Bu ders, dış kaynaklardan bilgi çekerken kendi sonraki adımlarını otonom olarak planlayan büyük dil modellerini (LLM’ler) içeren gelişmekte olan bir AI paradigması olan Agentik Retrieval-Augmented Generation (Agentik RAG) hakkında kapsamlı bir genel bakış sunar. Statik retrieval-then-read kalıplarının aksine, Agentik RAG, araç veya fonksiyon çağrıları ve yapılandırılmış çıktılarla kesintiye uğrayan LLM’ye yinelemeli çağrılar içerir. Sistem, sonuçları değerlendirir, sorguları iyileştirir, gerekirse ek araçlar çağırır ve tatmin edici bir çözüm elde edilene kadar bu döngüyü sürdürür.

Giriş

Bu ders şunları kapsayacaktır

Öğrenme Hedefleri

Bu dersi tamamladıktan sonra şunları bilecek/anlayacaksınız:

Agentik RAG Nedir?

Agentik Retrieval-Augmented Generation (Agentik RAG), büyük dil modellerinin (LLM’ler) dış kaynaklardan bilgi çekerken kendi sonraki adımlarını otonom olarak planladığı gelişmekte olan bir AI paradigmasıdır. Statik retrieval-then-read kalıplarının aksine, Agentik RAG, araç veya fonksiyon çağrıları ve yapılandırılmış çıktılarla kesintiye uğrayan, LLM’ye yinelemeli çağrılar içerir. Sistem, sonuçları değerlendirir, sorguları iyileştirir, gerekirse ek araçlar çağırır ve tatmin edici bir çözüm elde edilene kadar bu döngüyü sürdürür. Bu yinelemeli “maker-checker” stili doğruluğu artırır, bozuk sorgularla başa çıkar ve yüksek kaliteli sonuçlar sağlar.

Sistem muhakeme sürecine aktif olarak sahip çıkar; başarısız sorguları yeniden yazar, farklı retrieval yöntemlerini seçer, Azure AI Search’teki vektör araması, SQL veritabanları veya özel API’ler gibi birden çok aracı entegre eder ve cevabını nihai hale getirmeden önce bunları kullanır. Agentik sistemin ayırt edici niteliği, muhakeme sürecine sahip çıkabilme yeteneğidir. Geleneksel RAG uygulamaları önceden tanımlanmış yollara dayanırken, agentik bir sistem bulduğu bilginin kalitesine göre adımların sırasını otonom şekilde belirler.

Agentik Retrieval-Augmented Generation (Agentik RAG) Tanımı

Agentik Retrieval-Augmented Generation (Agentik RAG), LLM’lerin dış veri kaynaklarından bilgi çekmekle kalmayıp aynı zamanda kendi sonraki adımlarını otonom olarak planladığı gelişmekte olan AI geliştirme paradigmasıdır. Statik retrieval-then-read kalıplarının veya dikkatle yazılmış prompt dizilerinin aksine, Agentik RAG, LLM’ye yinelemeli çağrılar döngüsünü, araç veya fonksiyon çağrıları ve yapılandırılmış çıktılarla kesintiye uğrayan bir biçimde içerir. Sistem her aşamada elde edilen sonuçları değerlendirir, sorguları iyileştirmeyi kararlaştırır, gerekirse ek araçlar çağırır ve tatmin edici sonuca ulaşana kadar bu döngüyü devam ettirir.

Bu yinelemeli “maker-checker” çalışma stili, doğruluğu artırmak, yapılandırılmış veritabanlarına yönelik bozuk sorgulara (örn. NL2SQL) çözüm getirmek ve dengeli, yüksek kaliteli sonuçlar sağlamak için tasarlanmıştır. Sadece dikkatle tasarlanmış prompt zincirlerine dayanmak yerine, sistem muhakeme sürecine aktif olarak sahip çıkar. Başarısız olan sorguları yeniden yazar, farklı retrieval yöntemleri seçer ve Azure AI Search’teki vektör araması, SQL veritabanları veya özel API’ler gibi birden çok aracı entegre eder. Bu sayede fazla karmaşık orkestrasyon çerçevelerine gerek kalmaz. Oldukça basit bir “LLM çağrısı → araç kullanımı → LLM çağrısı → …” döngüsü, gelişmiş ve sağlam çıktılar üretebilir.

Agentik RAG Temel Döngüsü

Muhakeme Sürecine Sahip Olmak

Bir sistemi “agentik” yapan ayırt edici özellik, muhakeme sürecine sahip çıkabilme becerisidir. Geleneksel RAG uygulamaları genellikle insanın modele neyi ne zaman çekmesi gerektiğini belirten bir düşünce zinciri yolunu önceden tanımlamasına dayanır. Ancak gerçek anlamda agentik bir sistem, problemi nasıl ele alacağına içsel olarak karar verir. Sadece bir betiği uygulamakla kalmaz; bulduğu bilginin kalitesine göre adımların sırasını otonom biçimde belirler. Örneğin, bir ürün lansman stratejisi oluşturması istendiğinde, tüm araştırma ve karar alma iş akışını detaylandıran bir prompt’a sadece güvenmez. Bunun yerine agentik model bağımsız olarak şunları yapmaya karar verir:

  1. Bing Web Grounding kullanarak mevcut piyasa trend raporlarını çekmek
  2. Azure AI Search kullanarak ilgili rakip verileri tanımlamak
  3. Azure SQL Database kullanarak geçmiş iç satış metriklerini ilişkilendirmek
  4. Azure OpenAI Hizmeti aracılığıyla tüm bulguları tutarlı bir stratejiye sentezlemek
  5. Stratejiyi boşluklar veya tutarsızlıklar açısından değerlendirmek ve gerekirse yeniden veri çekmek için başka bir tur başlatmak Bu adımların tamamı—sorguları iyileştirmek, kaynakları seçmek, cevaptan “memnun” kalıncaya kadar yinelemek—model tarafından karar verilir, insan önceden script yazmaz.

Yinelemeli Döngüler, Araç Entegrasyonu ve Bellek

Araç Entegrasyonu Mimarisi

Agentik bir sistem, döngüsel bir etkileşim modeline dayanır:

Zamanla bu, gelişen bir anlayış duygusu yaratır ve modelin karmaşık, çok aşamalı görevlerde sürekli insan müdahalesine veya prompt yeniden şekillendirmeye gerek kalmadan gezinmesini sağlar.

Başarısızlık Modlarıyla Baş Etme ve Öz Düzeltme

Agentik RAG’ın özerkliği aynı zamanda sağlam öz düzeltme mekanizmalarını içerir. Sistem çıkmaza girdiğinde—örneğin alakasız belgeler çektiğinde veya bozuk sorgularla karşılaştığında—şunları yapabilir:

Bu yinelemeli ve dinamik yaklaşım, modelin sürekli gelişmesini sağlar; böylece model yalnızca tek seferlik değil, hatalarından öğrenen bir sistem haline gelir.

Öz Düzeltme Mekanizması

Ajansın Sınırları

Kendi içinde bir görevde otonom olmasına rağmen, Agentik RAG Yapay Genel Zekâ ile aynı değildir. “Agentik” yetenekleri, insan geliştiriciler tarafından sağlanan araçlar, veri kaynakları ve politikalarla sınırlıdır. Kendi araçlarını yaratamaz veya belirlenen alan sınırlarının dışına çıkamaz. Bunun yerine, mevcut kaynakları dinamik olarak yönetmekte üstün performans gösterir. Daha gelişmiş AI formlarından temel farklar şunlardır:

  1. Alan Odaklı Özerklik: Agentik RAG sistemleri, kullanıcı tarafından tanımlanmış hedefleri bilinen bir alan dahilinde gerçekleştirmeye odaklıdır, sorgu yazma veya araç seçimi gibi stratejilerle sonuçları iyileştirir.
  2. Altyapıya Bağımlılık: Sistemin yetenekleri, geliştiricilerin entegre ettiği araçlara ve verilere bağlıdır. İnsan müdahalesi olmadan bu sınırları aşamaz.
  3. Koruma Önlemlerine Saygı: Etik kurallar, uyumluluk yönergeleri ve iş politikaları çok önemlidir. Agentin özgürlüğü daima güvenlik önlemleri ve denetim mekanizmaları ile sınırlandırılmıştır (umarız ki).

Pratik Kullanım Durumları ve Değeri

Agentik RAG, yinelemeli iyileştirme ve kesinlik gerektiren durumlarda parlamaktadır:

  1. Doğruluk Öncelikli Ortamlar: Uyum kontrolleri, düzenleyici analizler veya hukuki araştırmalarda agentik model, gerçekleri defalarca doğrulayabilir, birden çok kaynağa başvurabilir ve tamamen doğrulanmış bir yanıt oluşturana kadar sorguları yeniden yazabilir.
  2. Karmaşık Veritabanı Etkileşimleri: Yapılandırılmış verilerle uğraşırken sorguların sık sık başarısız olabileceği veya ayar gerektirebileceği durumlarda sistem, Azure SQL veya Microsoft Fabric OneLake kullanarak sorgularını otonom biçimde iyileştirip son retrieval’ın kullanıcının niyetiyle uyumlu olmasını sağlar.
  3. Uzun Süreli İş Akışları: Daha uzun oturumlar, yeni bilgiler ortaya çıktıkça evrilebilir. Agentik RAG, problem alanını öğrenirken sürekli yeni verileri dahil edip stratejileri değiştirebilir.

Yönetim, Şeffaflık ve Güven

Bu sistemler muhakemede daha otonom hale geldikçe, yönetim ve şeffaflık çok önemlidir:

Eylemlerin açık bir kaydını sunan araçlara sahip olmak çok önemlidir. Bunlar olmadığı takdirde, çok aşamalı bir sürecin hata ayıklaması çok zordur. Aşağıda, Agent çalıştırmasından Literal AI (Chainlit arkası şirket) tarafından verilmiş bir örnek verilmiştir:

AgentRunExample

Sonuç

Agentik RAG, AI sistemlerinin karmaşık ve veri yoğun görevleri nasıl ele aldığı konusunda doğal bir evrimi temsil eder. Döngüsel bir etkileşim modeli benimseyerek, araçları otonom seçerek ve yüksek kaliteli sonuç elde edilene kadar sorguları iyileştirerek, sistem statik prompt takibinin ötesine geçip daha uyumlu, bağlama duyarlı bir karar verici haline gelir. İnsan tanımlı altyapılar ve etik yönergelerle hâlâ sınırlı olsa da, bu agentik yetenekler hem işletmeler hem de son kullanıcılar için daha zengin, dinamik ve nihayetinde daha faydalı AI etkileşimlerine olanak tanır.

Agentik RAG hakkında Daha Fazla Sorunuz mu Var?

Diğer öğrenenlerle tanışmak, ofis saatlerine katılmak ve AI Agent sorularınızı yanıtlamak için Microsoft Foundry Discord’a katılın.

Ek Kaynaklar

Akademik Makaleler

Bu Ajanı Hızlı Test Etme (İsteğe Bağlı)

Ders 16 içinde ajanları dağıtmayı öğrendikten sonra, bu dersin TravelRAGAgent‘ını, yanıtlarının bilgi tabanına dayanıp dayanmadığını kontrol etmek için tests/lesson-05-smoke-tests.json ile hızlıca test edebilirsiniz. Çalıştırmak için, bkz. tests/README.md.

Önceki Ders

Araç Kullanımı Tasarım Deseni

Sonraki Ders

Güvenilir AI Ajanları Oluşturma

Feragatname: Bu belge, AI çeviri hizmeti Co-op Translator kullanılarak çevrilmiştir. Doğruluk için çaba sarf etsek de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayınız. Orijinal belge, kendi dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu ortaya çıkabilecek yanlış anlamalardan veya yanlış yorumlamalardan sorumlu değiliz.

This site is open source. Improve this page.