AI-ügynökök építése kezdőknek · Lecke 05

Agentic RAG

Az agentic RAG egy olyan minta, amelyben a nyelvi modell önállóan tervezi a következő lépéseit, miközben külső forrásokból húz be információt. Ebben a leckében megnézzük, miben tér el ez a hagyományos visszakereséses generálástól, és hogyan zajlik az önálló gondolkodási hurok.

Vissza a tananyaghoz

Mi az agentic RAG

Az agentic RAG, teljes nevén agentic retrieval-augmented generation, egy feltörekvő megközelítés, amelyben a nyelvi modell önállóan tervezi meg a következő lépéseit, miközben külső forrásokból von be információt. A hagyományos visszakereséses generálásnál is bekerül külső tudás a modell válaszába, de ott az út előre rögzített. Az agentic változatban a modell maga dönti el, mikor és honnan keres, és a keresés eredménye alapján akár újra is tervez. A lényeg tehát az önállóság, az ügynök a saját gondolkodási folyamatát birtokolja.

HAGYOMÁNYOS RAG Keresés Beolvasás Válasz rögzített út, egyszeri keresés AGENTIC RAG Modell tervez mi hiányzik Keres eszközzel választ módszert Értékel elég ez, vagy újra a hurok addig ismétlődik, amíg elég bizonyíték nem gyűlik össze
A hagyományos RAG egyszer keres, majd olvas és válaszol. Az agentic RAG hurokban dolgozik, a modell tervez, keres, értékel, és szükség szerint újra keres, amíg elég információt nem gyűjt.

Miben más, mint a hagyományos RAG

A hagyományos visszakereséses generálás statikus, keresés majd beolvasás mintára épül, ahol az ember előre meghatározza a lépések sorrendjét. Az agentic RAG ezzel szemben a modell iteratív hívásainak hurkában dolgozik, amelyet eszköz- vagy függvényhívások és strukturált kimenetek szakítanak meg. A döntő különbség az önállóság. Az agentikus rendszer a saját gondolkodási folyamatát birtokolja, és dinamikusan dönti el, melyik eszközt mikor használja, ahelyett, hogy egy előre megírt utat követne.

Az önálló gondolkodási hurok

A gondolkodási hurok néhány visszatérő fázisból áll. Elsőként a felhasználó célja megérkezik a modellhez. A modell azonosítja, milyen információ hiányzik, és kiválasztja a megfelelő visszakeresési módszert. Ezután a rendszer értékeli a visszakapott adatot, és eldönti, kell-e finomítani a megközelítésen. A ciklus addig folytatódik, amíg a modell úgy nem ítéli, hogy elég tisztán látja a helyzetet, és elég bizonyíték áll rendelkezésére a végső, jól megalapozott válaszhoz.

  1. A cél megérkezikA felhasználó kérdése vagy célja bekerül a modellhez, amely elkezdi tervezni a megközelítést.
  2. Hiány azonosításaA modell felismeri, milyen információ hiányzik, és kiválasztja a megfelelő visszakeresési módszert.
  3. ÉrtékelésA rendszer megnézi a visszakapott adatot, és eldönti, elég-e, vagy finomítani kell a keresésen.
  4. LezárásHa elég a bizonyíték, a modell megfogalmazza a végső, megalapozott választ, különben újra keres.

A visszakeresés mint eszköz

Ebben a keretben a visszakeresés csak egy a modell rendelkezésére álló eszközök közül. Lehet vektoros keresés az Azure AI Search szolgáltatásban, lehet SQL adatbázis, vagy lehet egyedi API. A rendszer nem egyetlen keresést végez, hanem iterál és újra kérdez, akár különböző visszakeresési módszereket váltogatva. Ha egy lekérdezés nem hoz eredményt, a modell átírhatja a lekérdezést, vagy másik módszert választhat. A magas tétű helyzetekben ugyanakkor továbbra is fontos az emberi felügyelet, amely biztosítja az irányítást és az átláthatóságot az önálló folyamat során.

Hagyományos RAG

  • Előre rögzített lépéssor
  • Egyetlen keresés, majd válasz
  • Az ember írja meg a sorrendet
  • Nincs újratervezés menet közben

Agentic RAG

  • Iteratív hurok, önálló tervezés
  • Több keresés, módszerek váltogatása
  • A modell dönt eszközről és sorrendről
  • Sikertelen lekérdezés átírása, újrakeresés
← Előző lecke Következő lecke →

Workshop

AI Transformation Day

Egésznapos, vezetőknek szóló program. Feltérképezzük, hol tart a szervezet, mi az első reális lépés, és milyen belső feltételek szükségesek a sikerhez. A nap végén konkrét, prioritizált cselekvési lista.

Érdekel a program →