ai-agents-for-beginners

(اس سبق کی ویڈیو دیکھنے کے لیے اوپر تصویر پر کلک کریں)

ایجنٹک RAG

یہ سبق ایجنٹک رٹریول-آگمینٹڈ جنریشن (Agentic RAG) کا جامع جائزہ فراہم کرتا ہے، جو ایک ابھرتا ہوا AI پیراڈائم ہے جہاں بڑے زبان کے ماڈلز (LLMs) خود مختار طور پر اپنے اگلے اقدامات کی منصوبہ بندی کرتے ہیں جبکہ بیرونی ذرائع سے معلومات حاصل کرتے ہیں۔ جامد رٹریول-پھر-پڑھنے والے نقوش کے برخلاف، ایجنٹک RAG میں LLM کو بار بار کال کی جاتی ہے، جس کے دوران ٹولز یا فنکشن کالز اور منظم آؤٹ پٹ شامل ہوتے ہیں۔ یہ نظام نتائج کا اندازہ لگاتا ہے، سوالات کو بہتر بناتا ہے، اگر ضرورت ہو تو اضافی ٹولز کو استعمال کرتا ہے، اور یہ سلسلہ مسلسل چلتا رہتا ہے جب تک کہ ایک تسلی بخش حل نہ مل جائے۔

تعارف

اس سبق میں شامل ہے

• ایجنٹک RAG کو سمجھنا: AI میں ابھرتے ہوئے اس پیراڈائم کے بارے میں جانیں جہاں بڑے زبان کے ماڈلز (LLMs) خود مختار طور پر اپنے اگلے اقدامات کی منصوبہ بندی کرتے ہیں جبکہ بیرونی ڈیٹا ذرائع سے معلومات حاصل کرتے ہیں۔
• تکراری میکر-چیکر انداز کو grasp کریں: LLM کو بار بار کال کرنے کے حلقے کو سمجھیں، جس میں ٹول یا فنکشن کالز اور منظم آؤٹ پٹ شامل ہیں، جن کا مقصد درستگی کو بڑھانا اور خراب سوالات کو سنبھالنا ہے۔
• عملی اطلاقات کا جائزہ لیں: ایسے مناظر کی شناخت کریں جہاں ایجنٹک RAG نمایاں ہوتا ہے، جیسے درستگی-پہلے والے ماحول، پیچیدہ ڈیٹابیس تعاملات، اور طولانی ورک فلو۔

سیکھنے کے مقاصد

اس سبق کو مکمل کرنے کے بعد، آپ جانیں گے/سمجھیں گے:

• ایجنٹک RAG کو سمجھنا: AI میں ابھرتے ہوئے اس پیراڈائم کے بارے میں جانیں جہاں بڑے زبان کے ماڈلز (LLMs) خود مختار طور پر اپنے اگلے اقدامات کی منصوبہ بندی کرتے ہیں جبکہ بیرونی ڈیٹا ذرائع سے معلومات حاصل کرتے ہیں۔
• تکراری میکر-چیکر انداز: LLM کو بار بار کال کرنے کے حلقے کا تصور grasp کریں، جس میں ٹول یا فنکشن کالز اور منظم آؤٹ پٹ شامل ہیں، جن کا مقصد درستگی کو بڑھانا اور خراب سوالات کو سنبھالنا ہے۔
• منطق کے عمل کی ملکیت: نظام کی اپنی منطق کے عمل کو خود مختارانہ طور پر قابو پانے کی صلاحیت کو سمجھیں، جو مسائل کو حل کرنے کے لیے طے شدہ راستوں پر انحصار کیے بغیر فیصلے کرتا ہے۔
• ورک فلو: سمجھیں کہ ایک ایجنٹک ماڈل کس طرح خود مختار طور پر مارکیٹ کے رجحان کی رپورٹس حاصل کرنے، مسابقتی ڈیٹا کی شناخت کرنے، داخلی فروخت کے میٹرکس کا تطابق کرنے، نتائج کو یکجا کرنے، اور حکمت عملی کا جائزہ لینے کا فیصلہ کرتا ہے۔
• تکراری حلقے، ٹول انضمام، اور میموری: سیکھیں کہ نظام کس طرح ایک حلقہ وار تعامل کے پیٹرن پر انحصار کرتا ہے، جس میں مراحل کے درمیان حالت اور میموری برقرار رکھ کر بار بار دہرائی سے بچتا ہے اور باخبر فیصلے کرتا ہے۔
• ناکامی کی حالتوں سے نمٹنا اور خود اصلاح: نظام کے مضبوط خود اصلاحی طریقہ کار دریافت کریں، جس میں دوبارہ سوالات کرنا، تشخیصی ٹولز کا استعمال، اور انسانی نگرانی شامل ہے۔
• ایجنسی کی حدود: Agentic RAG کی حدود کو سمجھیں، جو مخصوص ڈومین کی خود مختاری، انفراسٹرکچر انحصار، اور حفاظتی اقدامات کے احترام پر مرکوز ہیں۔
• عملی استعمال کے کیسز اور قدر: ایسے مناظر کی شناخت کریں جہاں Agentic RAG نمایاں ہوتا ہے، جیسے درستگی-پہلے والے ماحول، پیچیدہ ڈیٹابیس تعاملات، اور طولانی ورک فلو۔
• گورننس، شفافیت، اور اعتماد: گورننس اور شفافیت کی اہمیت کو سمجھیں، جس میں قابل وضاحت منطق، تعصب کنٹرول، اور انسانی نگرانی شامل ہیں۔

Agentic RAG کیا ہے؟

ایجنٹک رٹریول-آگمینٹڈ جنریشن (Agentic RAG) ایک ابھرتا ہوا AI پیراڈائم ہے جس میں بڑے زبان کے ماڈلز (LLMs) خود مختار طور پر اپنے اگلے اقدامات کی منصوبہ بندی کرتے ہیں جبکہ بیرونی ذرائع سے معلومات حاصل کرتے ہیں۔ جامد رٹریول-پھر-پڑھنے والے نقوش کے برخلاف، Agentic RAG میں LLM کو بار بار کال کی جاتی ہے، جس کے دوران ٹولز یا فنکشن کالز اور منظم آؤٹ پٹ شامل ہوتے ہیں۔ نظام نتائج کا اندازہ لگاتا ہے، سوالات کو بہتر بناتا ہے، اگر ضرورت ہو تو اضافی ٹولز کو طلب کرتا ہے، اور یہ سلسلہ اس وقت تک جاری رہتا ہے جب تک کہ ایک تسلی بخش حل حاصل نہ ہو جائے۔ یہ تکراری “مےکر-چیکر” انداز درستگی کو بہتر بناتا ہے، خراب سوالات کو سنبھالتا ہے، اور اعلی معیار کے نتائج کو یقینی بناتا ہے۔

نظام اپنے منطق کے عمل کا خود مالک ہوتا ہے، ناکام سوالات کو دوبارہ لکھتا ہے، مختلف رٹریول طریقے منتخب کرتا ہے، اور متعدد ٹولز جیسے Azure AI سرچ میں ویکٹر سرچ، SQL ڈیٹابیسز، یا کسٹم APIs کو شامل کرتا ہے—پھر اپنے جواب کو حتمی شکل دیتا ہے۔ ایک ایجنٹک نظام کی ممتاز خصوصیت یہ ہے کہ وہ اپنی منطق کے عمل کا مالک ہوتا ہے۔ روایتی RAG نفاذات طے شدہ راستوں پر انحصار کرتے ہیں، لیکن ایک ایجنٹک نظام آزادانہ طور پر اپنے اقدامات کی ترتیب معلومات کی معیار کی بنیاد پر طے کرتا ہے۔

ایجنٹک رٹریول-آگمینٹڈ جنریشن (Agentic RAG) کی تعریف

ایجنٹک رٹریول-آگمینٹڈ جنریشن (Agentic RAG) AI کی ایک ابھرتی ہوئی پیراڈائم ہے جہاں LLMs نہ صرف بیرونی ڈیٹا ذرائع سے معلومات حاصل کرتے ہیں بلکہ خود مختار طور پر اپنے اگلے اقدامات کی منصوبہ بندی بھی کرتے ہیں۔ جامد رٹریول-پھر-پڑھنے والے نقوش یا احتیاط سے مرتب کردہ پرومپٹ سلسلوں کے برعکس، Agentic RAG LLM کو بار بار کال کرنے والے حلقے پر مشتمل ہوتا ہے، جس میں ٹول یا فنکشن کالز اور منظم آؤٹ پٹ شامل ہوتے ہیں۔ ہر مرحلے پر، نظام حاصل کردہ نتائج کا جائزہ لیتا ہے، فیصلہ کرتا ہے کہ آیا اسے سوالات کو بہتر بنانا ہے، اضافی ٹولز طلب کرتا ہے اگر ضرورت ہو، اور یہ سلسلہ جاری رکھتا ہے جب تک کہ وہ ایک تسلی بخش حل تک نہ پہنچ جائے۔

یہ تکراری “مےکر-چیکر” انداز آپریشن درستگی کو بڑھانے، خراب سوالات کو منظم ڈیٹابیسز جیسے NL2SQL کے لیے سنبھالنے، اور متوازن اور اعلی معیار کے نتائج کو یقینی بنانے کے لیے ڈیزائن کیا گیا ہے۔ محض احتیاط سے تیار کردہ پرومپٹ چینز پر انحصار کرنے کے بجائے، نظام اپنی منطق کے عمل کا فعال مالک ہوتا ہے۔ یہ ناکام سوالات کو دوبارہ لکھ سکتا ہے، مختلف رٹریول طریقے منتخب کر سکتا ہے، اور متعدد ٹولز جیسے Azure AI سرچ میں ویکٹر سرچ، SQL ڈیٹابیسز، یا کسٹم APIs کو شامل کر سکتا ہے—پھر اپنے جواب کو حتمی شکل دیتا ہے۔ اس سے پیچیدہ آرکیسٹریشن فریم ورکس کی ضرورت ختم ہو جاتی ہے۔ اس کے بجائے، ایک نسبتاً سادہ “LLM کال → ٹول استعمال → LLM کال → …” کا سلسلہ پیچیدہ اور ٹھوس نتائج پیدا کر سکتا ہے۔

منطق کے عمل کا مالک ہونا

جو ممتاز خصوصیت کسی نظام کو “ایجنٹک” بناتی ہے وہ اس کی اپنی منطق کے عمل کا مالک ہونے کی صلاحیت ہے۔ روایتی RAG نفاذات اکثر انسانوں پر انحصار کرتے ہیں جو ماڈل کے لیے ایک طے شدہ راہ بناتے ہیں: ایک سوچ کی زنجیر جو بتاتی ہے کہ کیا حاصل کرنا ہے اور کب۔ لیکن جب کوئی نظام واقعی ایجنٹک ہوتا ہے، تو وہ اندرونی طور پر فیصلہ کرتا ہے کہ مسئلے سے کیسے نمٹنا ہے۔ یہ محض کسی سکرپٹ کو چلانا نہیں ہوتا؛ بلکہ یہ خود مختار طور پر معلومات کی معیار کی بنیاد پر اقدامات کی ترتیب طے کرتا ہے۔ مثال کے طور پر، اگر اسے ایک مصنوعات کے لانچ کی حکمت عملی بنانے کو کہا جائے، تو وہ مکمل تحقیق اور فیصلہ سازی کے ورک فلو کو پرومپٹ میں بیان کرنے کے بجائے، ایجنٹک ماڈل خود مختار طور پر فیصلہ کرتا ہے کہ:

1. بنگ ویب گراؤنڈنگ کے ذریعے موجودہ مارکیٹ کے رجحانات کی رپورٹس حاصل کرے۔
2. Azure AI سرچ کا استعمال کرتے ہوئے متعلقہ مسابقتی ڈیٹا کی شناخت کرے۔
3. Azure SQL ڈیٹابیس کا استعمال کرتے ہوئے تاریخی داخلی فروخت کے میٹرکس کا تعلق قائم کرے۔
4. Azure OpenAI سروس کے ذریعے نتائج کو ایک مربوط حکمت عملی میں یکجا کرے۔
5. حکمت عملی کا جائزہ لے کہ کہیں کوئی خلا یا تضاد تو نہیں، اگر ضرورت ہو تو دوبارہ معلومات حاصل کرنے کے لیے کہیں۔ یہ تمام اقدامات — سوالات کو بہتر بنانا، ذرائع کا انتخاب کرنا، جواب سے “خوش” ہونے تک تکرار کرنا — ماڈل کی طرف سے خود فیصلے کیے جاتے ہیں، نہ کہ کسی انسان کی طرف سے پہلے سے لکھے گئے سکرپٹ کے تحت۔

تکراری حلقے، ٹول انضمام، اور میموری

ایک ایجنٹک نظام ایک حلقہ وار تعامل کے پیٹرن پر انحصار کرتا ہے:

• ابتدائی کال: صارف کا مقصد (یعنی صارف کا پرومپٹ) LLM کو پیش کیا جاتا ہے۔
• ٹول کا استعمال: اگر ماڈل کو معلوم ہوتا ہے کہ معلومات ناکافی ہیں یا ہدایات غیر واضح ہیں، تو وہ ایک ٹول یا رٹریول طریقہ منتخب کرتا ہے—جیسے ویکٹر ڈیٹابیس کوئری (مثلاً Azure AI سرچ ہائبرڈ پرائیویٹ ڈیٹا پر) یا منظم SQL کال—مزید سیاق و سباق حاصل کرنے کے لیے۔
• تشخیص اور اصلاح: حاصل شدہ ڈیٹا کا جائزہ لینے کے بعد، ماڈل فیصلہ کرتا ہے کہ آیا معلومات کافی ہیں۔ اگر نہیں، تو سوال کو بہتر بناتا ہے، مختلف ٹول آزما تا ہے، یا اپنا طریقہ کار ایڈجسٹ کرتا ہے۔
• تسلی ہونے تک دہرائیں: یہ سلسلہ جاری رہتا ہے جب تک ماڈل یہ فیصلہ نہ کرے کہ اسے آخری، اچھی طرح سوچا سمجھا جواب دینے کے لیے کافی وضاحت اور ثبوت مل چکے ہیں۔
• میموری اور حالت: چونکہ نظام مراحل کے دوران حالت اور میموری برقرار رکھتا ہے، یہ پچھلے کوششوں اور ان کے نتائج کو یاد رکھ سکتا ہے، بار بار دہرائی سے بچتا ہے اور آگے بڑھتے ہوئے زیادہ باخبر فیصلے کرتا ہے۔

وقت کے ساتھ، یہ ایک ارتقائی سمجھ کا احساس پیدا کرتا ہے، جس سے ماڈل پیچیدہ، کثیر مرحلہ کاموں کو بغیر انسانی مداخلت یا پرومپٹ کو بار بار تبدیل کیے سنبھال سکتا ہے۔

ناکامی کے موڈز کا انتظام اور خود اصلاح

ایجنٹک RAG کی خود مختاری میں طاقتور خود اصلاحی طریقہ کار بھی شامل ہیں۔ جب نظام کو غیر متعلقہ دستاویزات حاصل کرنے یا خراب سوالات کے سامنا ہوتا ہے تو یہ کر سکتا ہے:

• دہرائیں اور دوبارہ سوال کریں: کم قیمت والے جوابات دینے کے بجائے، ماڈل نئی تلاش کی حکمت عملیاں آزماتا ہے، ڈیٹابیس سوالات کو دوبارہ لکھتا ہے، یا متبادل ڈیٹا سیٹ دیکھتا ہے۔
• تشخیصی ٹولز کا استعمال: نظام اضافی فنکشنز کو طلب کر سکتا ہے جو اس کی منطق کے کھانچے کی جانچ یا حاصل کردہ ڈیٹا کی درستگی کی تصدیق میں مدد دیتے ہیں۔ جیسے Azure AI Tracing شفافیت اور نگرانی کو ممکن بنانے کے لیے اہم ہوگا۔
• انسانی نگرانی پر انحصار: حساس یا بار بار ناکام ہونے والے مناظر کے لیے، ماڈل غیر یقینی صورتحال کا اشارہ کر سکتا ہے اور انسانی رہنمائی طلب کر سکتا ہے۔ جب انسان اصلاحی فیڈ بیک دیتا ہے، تو ماڈل اسے آگے کے لیے شامل کر سکتا ہے۔

یہ تکراری اور متحرک طریقہ ماڈل کو مسلسل بہتر بنانے کی اجازت دیتا ہے، اس بات کو یقینی بناتے ہوئے کہ یہ صرف ایک بار چلنے والا نظام نہیں بلکہ وہ ہے جو دی گئی سیشن میں اپنی غلطیوں سے سیکھتا ہے۔

ایجنسی کی حدود

کام کے اندر اپنی خود مختاری کے باوجود، Agentic RAG مصنوعی عمومی ذہانت سے مماثل نہیں ہے۔ اس کی “ایجنٹک” صلاحیتیں صرف انسانوں کے فراہم کردہ ٹولز، ڈیٹا ذرائع، اور پالیسیوں تک محدود ہیں۔ یہ اپنے ٹولز ایجاد نہیں کر سکتا یا مقررہ ڈومین کی حدود سے باہر نہیں جا سکتا۔ بلکہ، یہ دستیاب وسائل کو متحرک طریقے سے منظم کرنے میں ماہر ہے۔ اہم فرق جو زیادہ ترقی یافتہ AI اشکال سے ہیں، وہ شامل ہیں:

1. ڈومین مخصوص خود مختاری: Agentic RAG نظام صارفین کے متعین مقصد کو ایک معروف ڈومین میں حاصل کرنے پر مرکوز ہوتے ہیں، سوالات کے دوبارہ لکھنے یا ٹول کے انتخاب جیسی حکمت عملیاں استعمال کرتے ہوئے نتائج کو بہتر بناتے ہیں۔
2. انفراسٹرکچر پر انحصار: نظام کی صلاحیتیں ٹولز اور ڈیٹا پر منحصر ہیں جو ڈویلپرز نے شامل کیے ہیں۔ یہ انسانی مداخلت کے بغیر ان حدود سے باہر نہیں جا سکتا۔
3. حفاظتی پابندیوں کا احترام: اخلاقی رہنما خطوط، تعمیل کے قواعد، اور کاروباری پالیسیاں بہت اہم رہتی ہیں۔ ایجنٹ کی آزادی ہمیشہ حفاظتی اقدامات اور نگرانی کے تحت محدود ہوتی ہے (امید ہے؟)

عملی استعمال کے کیسز اور قدر

Agentic RAG ایسے مناظر میں نمایاں ہوتا ہے جہاں تکراری بہتری اور درستگی درکار ہو:

1. درستگی-پہلے ماحول: تعمیل کے چیکز، ضوابطی تجزیے، یا قانونی تحقیق میں، ایجنٹک ماڈل بار بار حقائق کی تصدیق کر سکتا ہے، متعدد ذرائع سے مشورہ کر سکتا ہے، اور سوالات کو دوبارہ لکھ سکتا ہے جب تک کہ انتہائی پڑتال شدہ جواب پیدا نہ ہو۔
2. پیچیدہ ڈیٹابیس تعاملات: جب منظم ڈیٹا کے ساتھ معاملات ہوتے ہیں جہاں سوالات اکثر ناکام ہو سکتے ہیں یا ایڈجسٹمنٹ چاہتے ہیں، تو نظام خود مختار طور پر اپنے سوالات کو Azure SQL یا Microsoft Fabric OneLake کا استعمال کرتے ہوئے بہتر بنا سکتا ہے، یقینی بناتے ہوئے کہ آخری رٹریول صارف کی نیت سے مطابقت رکھتا ہے۔
3. طویل ورک فلو: طویل سیشن نئی معلومات کے سامنے آنے کے ساتھ ترقی پا سکتے ہیں۔ Agentic RAG مسلسل نئی معلومات شامل کر سکتا ہے، حکمت عملیاں بدل سکتا ہے جب وہ مسئلہ کی جگہ کے بارے میں مزید سیکھتا ہے۔

گورننس، شفافیت، اور اعتماد

جیسے جیسے یہ نظام اپنی منطق میں زیادہ خود مختار ہوتے جا رہے ہیں، گورننس اور شفافیت نہایت اہم ہیں:

• قابل وضاحت منطق: ماڈل ان سوالات، ذرائع، اور منطقی مراحل کا آڈٹ ٹریل فراہم کر سکتا ہے جن سے وہ اپنے نتیجے تک پہنچا۔ Azure AI Content Safety اور Azure AI Tracing / GenAIOps جیسے ٹولز شفافیت کو برقرار رکھنے اور خطرات کو کم کرنے میں مدد کریں گے۔
• تعصب کا کنٹرول اور متوازن رٹریول: ڈویلپرز رٹریول حکمت عملیوں کو اس طرح ترتیب دے سکتے ہیں کہ متوازن، نمائندہ ڈیٹا ذرائع کو شامل کیا جائے، اور باقاعدگی سے آؤٹ پٹ کا جائزہ لے کر تعصب یا مڑھے ہوئے نمونوں کا پتہ لگا سکتے ہیں، Azure Machine Learning استعمال کرنے والی اعلی ڈیٹا سائنس تنظیموں کے لیے خاص ماڈلز کے ساتھ۔
• انسانی نگرانی اور تعمیل: حساس کاموں کے لیے، انسانی جائزہ لازمی ہے۔ Agentic RAG انسان کی قضاوت کو نہیں بدلتا بلکہ اسے زیادہ معیاری اور پڑتال شدہ آپشنز فراہم کرکے مضبوط کرتا ہے۔

ایسے ٹولز کا ہونا جو اقدامات کا واضح ریکارڈ فراہم کریں، لازمی ہے۔ ان کے بغیر، ایک کثیر مرحلہ عمل کی ڈیبگنگ بہت مشکل ہو سکتی ہے۔ درج ذیل مثال Literal AI (جسے Chainlit کے پیچھے کمپنی کہتے ہیں) کی طرف سے ایک ایجنٹ رن کی ہے:

خلاصہ

ایجنٹک RAG AI نظاموں کے پیچیدہ، ڈیٹا-کثیر کاموں کے انتظام میں ایک قدرتی ارتقاء کی نمائندگی کرتا ہے۔ ایک حلقہ وار تعامل کے انداز کو اپنانے، خود مختار طور پر ٹولز کے انتخاب، اور سوالات کو اس وقت تک بہتر بنانے کے ذریعے جب تک کہ اعلی معیار کا نتیجہ حاصل نہ ہو، یہ نظام جامد پرومپٹ کی پیروی سے آگے بڑھ کر مزید موافق، سیاق و سباق سے آگاہ فیصلہ ساز بن جاتا ہے۔ اگرچہ یہ اب بھی انسان کے طے کردہ انفراسٹرکچر اور اخلاقی رہنما خطوط کے تحت محدود ہے، یہ ایجنٹک صلاحیتیں دونوں اداروں اور آخر صارفین کے لیے زیادہ بھرپور، متحرک، اور بالآخر زیادہ مفید AI تعاملات کو ممکن بناتی ہیں۔

Agentic RAG کے بارے میں مزید سوالات ہیں؟

Microsoft Foundry Discord میں شامل ہوں تاکہ دوسرے سیکھنے والوں سے ملیں، آفس آورز میں شرکت کریں اور اپنے AI ایجنٹس سے متعلق سوالات کے جواب حاصل کریں۔

اضافی وسائل

• Azure OpenAI سروس کے ساتھ Retrieval Augmented Generation (RAG) کا نفاذ کریں: سیکھیں کہ اپنی خود کی ڈیٹا کو Azure OpenAI سروس کے ساتھ کیسے استعمال کیا جائے۔ یہ Microsoft Learn ماڈیول RAG کے نفاذ پر جامع رہنمائی فراہم کرتا ہے
• Microsoft Foundry کے ساتھ جنریٹو AI ایپلی کیشنز کا جائزہ: یہ آرٹیکل عوامی دستیاب ڈیٹا سیٹس پر ماڈلز کی جانچ اور موازنہ کو کور کرتا ہے، جس میں Agentic AI ایپلی کیشنز اور RAG آرکیٹیکچرز شامل ہیں
• Agentic RAG کیا ہے | Weaviate

• Agentic RAG: ایجنٹ پر مبنی Retrieval Augmented Generation کے لیے مکمل گائیڈ – News from generation RAG

• Agentic RAG: اپنی RAG کو سوالات کی بازسازی اور خود سوال سے تیز کریں! Hugging Face کا اوپن سورس AI کک بک
• RAG میں Agentic Layers کا اضافہ
• نالج اسسٹنٹس کا مستقبل: جیری لِیو
• Agentic RAG سسٹمز کیسے بنائیں
• Microsoft Foundry Agent سروس کا استعمال کرتے ہوئے اپنے AI ایجنٹس کو اسکیل کریں

تعلیمی مقالے

• 2303.17651 Self-Refine: خود آراء کے ساتھ تدریجی بہتری
• 2303.11366 Reflexion: زبان کے ایجنٹس وربل ری انفورسمنٹ لرننگ کے ساتھ
• 2305.11738 CRITIC: بڑے زبان کے ماڈلز خود اوزار-تفاعلی تنقید کے ذریعے خود درست کر سکتے ہیں
• 2501.09136 Agentic Retrieval-Augmented Generation: Agentic RAG پر ایک جائزہ

اس ایجنٹ کا اسموک ٹیسٹ (اختیاری)

جب آپ سبق 16 میں ایجنٹس کو تعینات کرنا سیکھ جائیں، تو آپ اس سبق کے TravelRAGAgent کا اسموک ٹیسٹ کر سکتے ہیں — یہ دیکھنے کے لیے کہ اس کے جوابات نالج بیس پر مبنی ہیں — tests/lesson-05-smoke-tests.json کے ساتھ۔ چلانے کے طریقے کے لیے tests/README.md دیکھیں۔

پچھلا سبق

ٹول استعمال کرنے کا ڈیزائن پیٹرن

اگلا سبق

قابل اعتماد AI ایجنٹس بنانا

---

ڈس کلیمر: یہ دستاویز AI ترجمہ سروس Co-op Translator کے ذریعے ترجمہ کی گئی ہے۔ جبکہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات سے آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستیاں ہو سکتی ہیں۔ اصل دستاویز اپنے مادری زبان میں مستند ماخذ سمجھی جائے گی۔ حساس معلومات کے لیے پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کی ذمہ داری ہم قبول نہیں کرتے۔

This site is open source. Improve this page.