ai-agents-for-beginners

(點擊上方圖片觀看本課程影片)

Agentic RAG

本課程提供關於自主檢索增強生成（Agentic Retrieval-Augmented Generation，Agentic RAG）的一個全面概述，這是一種新興的 AI 範式，其中大型語言模型（LLMs）能夠自主規劃下一步行動，同時從外部資源中提取資訊。與靜態的檢索－閱讀模式不同，Agentic RAG 涉及對 LLM 的迭代呼叫，並穿插工具或函式呼叫及結構化輸出。系統會評估結果、細化查詢、如有需要調用更多工具，並持續這個循環直到達成滿意的解決方案。

介紹

本課程將涵蓋

• 了解 Agentic RAG： 認識 AI 新興範式，讓大型語言模型（LLMs）自主規劃下一步，同時從外部數據源提取資訊。
• 掌握迭代式製造‐檢查者風格： 理解對 LLM 反覆迭代呼叫的流程，穿插工具或函式呼叫與結構化輸出，以提升正確性及處理格式錯誤的查詢。
• 探索實務應用場景： 識別 Agentic RAG 發揮優勢的場景，例如優先正確性環境、複雜資料庫互動及延伸工作流程。

學習目標

完成本課程後，你將能夠/了解：

• 理解 Agentic RAG： 認識 AI 新興範式，讓大型語言模型（LLMs）自主規劃下一步，同時從外部數據源提取資訊。
• 迭代式製造‐檢查者風格： 掌握對 LLM 反覆迭代呼叫的概念，穿插工具或函式呼叫與結構化輸出，提升正確性並處理格式錯誤的查詢。
• 掌握推理過程自主權： 理解系統擁有自身推理過程的能力，自主決定如何解決問題，而非依賴預定路徑。
• 工作流程： 理解自主模型如何獨立決定提取市場趨勢報告、識別競爭對手資料、關聯內部銷售指標、綜合分析結果並評估策略。
• 迭代循環、工具整合與記憶： 了解系統依靠反覆互動模式，跨步驟維持狀態和記憶，避免重複循環並做出明確決策。
• 處理失敗模式與自我修正： 探討系統完善的自我修正機制，包括迭代重查、使用診斷工具以及倚賴人工監督。
• 自主邊界： 了解 Agentic RAG 的限制，著重於領域特定自主權、基礎架構依賴與監控規範。
• 實務應用與價值： 確認 Agentic RAG 發揮優勢的場合，如優先正確性環境、複雜資料庫互動及擴展工作流程。
• 治理、透明性與信任： 瞭解治理與透明性的重要性，包括可解釋的推理、偏差控制與人工監督。

什麼是 Agentic RAG？

自主檢索增強生成（Agentic RAG）是一種新興的 AI 範式，大型語言模型（LLMs）能夠自主規劃下一步，同時從外部資源拉取資訊。不同於靜態的檢索－閱讀模式，Agentic RAG 包含對 LLM 的迭代呼叫，穿插工具或函式呼叫及結構化輸出。系統會評估結果、細化查詢，必要時調用附加工具，並持續此循環直到獲得令人滿意的解決方案。這種迭代的「製造－檢查者」風格提升正確性，處理格式錯誤的查詢，並確保高品質結果。

系統積極掌握自身推理過程，重寫失敗的查詢，選擇不同的檢索方法，並整合多種工具——例如 Azure AI Search 的向量搜索、SQL 資料庫或自訂 API——最終完成答案。代理系統的獨特之處在於其掌握推理過程的能力。傳統 RAG 實作依賴預先定義的路徑，而代理系統則基於所獲資訊的品質自主決定步驟順序。

定義 Agentic 檢索增強生成（Agentic RAG）

自主檢索增強生成（Agentic RAG）是 AI 發展中一種新興範式，LLMs 不僅從外部數據源提取資訊，還能自主規劃下一步行動。不同於靜態檢索－閱讀模式或精心設計的提示序列，Agentic RAG 涉及對 LLM 的反覆迭代呼叫，穿插工具或函式呼叫與結構化輸出。系統每一步都評估已取得的結果，決定是否細化查詢，必要時呼叫額外工具，並持續此循環直到達成滿意解決方案。

此種迭代的「製造－檢查者」操作風格旨在提升正確性、處理結構化資料庫（如 NL2SQL）的格式錯誤查詢，並確保均衡且高品質的結果。系統積極掌握自身推理過程，不僅依賴精心設計的提示鏈。它能重寫失敗的查詢、選擇不同檢索方式並整合多個工具——包含 Azure AI Search 向量搜索、SQL 資料庫或客製化 API——最終完成答案。如此便不需過於複雜的協調框架，而是透過「LLM 呼叫 → 使用工具 → LLM 呼叫 → …」的相對簡單循環，產生複雜且有根據的輸出。

掌握推理過程

使系統成為「自主」的關鍵特質，是它能掌握自身的推理過程。傳統 RAG 多依賴人類預先定義模型的路徑：一個概述欲檢索內容與時間的思考鏈。 但當系統真正具備自主性時，它會在內部決定如何解決問題。它不只是執行腳本，而是根據所取得的資訊質量自主決定步驟順序。 例如，當被要求建立產品上市策略時，它不會只依賴完整指示整個研究與決策流程的提示。相反地，代理模型會獨立決定：

1. 使用 Bing Web Grounding 檢索當前市場趨勢報告
2. 使用 Azure AI Search 識別相關競爭對手資料
3. 使用 Azure SQL Database 關聯歷史內部銷售指標
4. 通過 Azure OpenAI 服務協調整理成一致性的策略
5. 評估策略中的缺口或不一致處，必要時進行新一輪檢索 以上所有步驟——細化查詢、選擇來源、反覆進行直到對答案「滿意」——皆由模型自主決定，非人為預先編寫腳本。

迭代循環、工具整合與記憶

代理系統依賴一種迴圈互動模式：

• 初始呼叫： 使用者目標（又稱使用者提示）呈現給 LLM。
• 調用工具： 若模型發現資訊不足或指令模糊，會選擇工具或檢索方法，如向量資料庫查詢（如對私有資料運行 Azure AI Search 混合搜尋）或結構化 SQL 呼叫，以獲取更多上下文。
• 評估與細化： 閱讀回傳資料後，模型判定資訊是否足夠。如不足，則細化查詢、嘗試不同工具或調整策略。
• 反覆直到滿意： 此循環將持續，直到模型認為已有足夠明確與充分證據，給出最終合理的回應。
• 記憶與狀態： 因為系統跨步驟保持狀態與記憶，能回憶先前嘗試與結果，避免重複循環並做出更明確決策。

隨著時間推移，這創造一種演進性理解，使模型能掌握複雜多步任務，無需人類持續介入或重塑提示。

處理錯誤模式與自我修正

Agentic RAG 的自主性同時具備強大的自我修正機制。當系統遇到瓶頸——例如檢索到無關文件或遭遇格式錯誤查詢時——它能：

• 反覆迭代與重新查詢： 模型嘗試新的搜尋策略，重寫資料庫查詢，或檢視替代資料集合，而非回傳低品質結果。
• 使用診斷工具： 系統可呼叫額外功能幫助除錯推理流程或確認回傳資料正確性。工具如 Azure AI Tracing 對實現強健的可觀察性與監控非常重要。
• 倚賴人工監督： 針對高風險或反覆失敗情況，模型可能標記不確定性並請求人類指導。當人類給予糾正意見後，模型可在後續運行中汲取經驗。

此種迭代且動態的方法讓模型持續進步，確保它不只是一次性系統，而是在該次會話中從錯誤中學習。

自主性的邊界

儘管具任務自主性，Agentic RAG 並非通用人工智慧。其「自主」能力限制於人類開發者提供的工具、資料來源與政策。它無法自行創造工具或跨越已設定的領域邊界。它擅長的是動態協調現有資源。 與更先進 AI 型態的主要差異包括：

1. 領域專屬自主權： Agentic RAG 系統聚焦於實現使用者定義目標的已知領域，採用查詢重寫或工具選擇策略以改進成果。
2. 依賴基礎架構： 系統能力依賴開發者整合的工具與資料，無人為介入無法跨越此限。
3. 尊重監管規範：倫理準則、合規規定與商業政策依然極為重要。代理系統的自由始終受安全措施與監督機制約束（希望如此）。

實務應用案例與價值

Agentic RAG 在需反覆細化與精確的場景中表現突出：

1. 優先正確性環境： 在合規檢查、法規分析或法律研究中，代理模型可多次核實事實、查詢多方資料並不停重寫查詢以產生深度審核的答案。
2. 複雜資料庫互動： 處理結構化資料時，查詢經常失敗或需調整，系統能自主修正 Azure SQL 或 Microsoft Fabric OneLake 的查詢，確保最終檢索符合使用者意圖。
3. 延伸工作流程： 較長運行期間，隨著新資訊出現，Agentic RAG 繼續整合新數據，且在學習更多問題領域後調整策略。

治理、透明性與信任

隨著系統推理更具自主性，治理與透明性變得至關重要：

• 可解釋推理： 模型能提供查詢歷程、參考來源及推理過程的審計軌跡。工具如 Azure AI Content Safety 及 Azure AI Tracing / GenAIOps 有助維護透明度及風險控管。
• 偏差控制與均衡檢索： 開發者可調整檢索策略確保參考均衡且具代表性的數據源，並使用針對進階數據科學組織的 Azure Machine Learning 客製化模型定期稽核輸出，檢測偏差或偏頗模式。
• 人工監督與合規： 對敏感任務，人工審查仍不可或缺。Agentic RAG 不替代高風險決策中的人類判斷，而是透過提供更充分審核的選項輔助判斷。

擁有能提供清楚執行紀錄的工具至關重要。否則調試多步驟流程非常困難。以下為 Literal AI（Chainlit 背後公司）提供的代理運行範例：

結論

Agentic RAG 代表 AI 系統處理複雜且大量資料任務的自然進化。透過採用迭代互動模式、自主選擇工具與細化查詢直至達成高品質結果，系統從靜態提示跟隨者轉變為更具適應性與情境感知的決策者。雖然仍受限於人類定義的基礎架構與倫理準則，但這些代理能力讓企業與最終用戶能夠享有更豐富、更動態且最終更實用的 AI 互動體驗。

對 Agentic RAG 有更多疑問嗎？

加入 Microsoft Foundry Discord 與其他學習者交流，參加辦公時間並解決你的 AI Agents 問題。

其他資源

• 使用 Azure OpenAI 服務實作檢索增強生成 (RAG)：了解如何使用自己的資料與 Azure OpenAI 服務。本 Microsoft Learn 模組提供實作 RAG 的全面指南
• Microsoft Foundry 的生成式 AI 應用評估：本文涵蓋在公開數據集上評估和比較模型，包括自主 AI 應用和 RAG 架構
• 什麼是 Agentic RAG | Weaviate

• Agentic RAG：基於代理的檢索增強生成完整指南 – generation RAG 新聞

• Agentic RAG：使用查詢重組和自我查詢加速您的 RAG！Hugging Face 開源 AI 食譜
• 為 RAG 添加 Agentic 層
• 知識助理的未來：Jerry Liu
• 如何構建 Agentic RAG 系統
• 使用 Microsoft Foundry Agent Service 擴展您的 AI 代理

學術論文

• 2303.17651 Self-Refine：帶有自我反饋的迭代精煉
• 2303.11366 Reflexion：具有語言強化學習的語言代理
• 2305.11738 CRITIC：大型語言模型可以通過工具交互批評自我修正
• 2501.09136 Agentic 檢索增強生成：Agentic RAG 調查報告

簡易測試此代理（可選）

在您學會在 Lesson 16 部署代理後，您可以用 tests/lesson-05-smoke-tests.json 對本課的 TravelRAGAgent 進行簡易測試——檢查它的回答是否基於知識庫。如何執行測試請參閱 tests/README.md。

前一課

工具使用設計模式

下一課

構建值得信賴的 AI 代理

---

免責聲明： 此文件已使用 AI 翻譯服務 Co-op Translator 進行翻譯。雖然我們努力追求準確性，但請注意自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應視為權威來源。對於關鍵資訊，建議採用專業人工翻譯。我們不對因使用此翻譯所產生的任何誤解或誤譯承擔責任。

This site is open source. Improve this page.