Ein Agent, der mit Wissen verbunden ist

Ein Agent kann RAG als Wissenstool nutzen. Das unterscheidet sich von der Behauptung, es habe alle Dokumente auswendig gelernt.

Diese Schritte beziehen sich auf im Anwendungscode identifizierte Funktionen. Dieses Material wurde nicht in einer Live-Instanz validiert; Überprüfen Sie die Dokumentation und die Optionen in Ihrer Version.

Wie es funktioniert, Schritt für Schritt

Eine begrenzte Agentenschleife

Ein Agent kombiniert ein Modell mit Werkzeugen, einem Ziel und einem Zustand. Es beobachtet die Anfrage, wählt einen Schritt, erhält ein Ergebnis und entscheidet, ob es fortfährt. Ein Chatbot darf nur Text generieren; Ein Agent kann eine externe Aktion anfordern. Kommerzielle Definitionen variieren. Überprüfen Sie daher die tatsächliche Kontrolle. Definieren Sie Erfolg und Stopp: ein überprüftes Ergebnis, eine maximale Schrittzahl, wiederholte Fehler oder ein ausgeschöpftes Budget. Verwenden Sie eingeschränkte Funktionen und minimale Berechtigungen. Nützliche Autonomie bedeutet Freiheit innerhalb der durch Software durchgesetzten Grenzen.

RAG greift auf Beweise zu, es führt keine Umschulung durch

RAG bedeutet Retrieval-Augmented Generation: Retrieval liefert relevante Passagen, bevor das Modell antwortet. Die Aufnahme bereitet Dokumente vor, während die Abfrageausführung den Index durchsucht und den Kontext erstellt. Ein Einbettungsmodell stellt Text numerisch dar; Das Antwortmodell schreibt die Antwort. Reranker-, Vision-, Graph- und Router-Modelle übernehmen bei Bedarf unterschiedliche Rollen. RAG hilft bei privaten oder sich ändernden Informationen, übernimmt jedoch keine Gewähr für die Richtigkeit. Verwenden Sie eine autorisierte API für Salden, genaue Bestände oder Berechtigungen; Ein altes Dokument ist keine verlässliche Quelle für den aktuellen Stand.

Geläufigkeit und Wahrheit werden getrennt geprüft

Eine Halluzination ist ein nicht unterstützter oder falscher Inhalt, der als Antwort präsentiert wird. Es kann durch fehlende Informationen, Unklarheiten oder falsch kombinierte Muster entstehen. Fordern Sie Belege an und überprüfen Sie Originaldokument, Datum, Einheiten und Bedingungen. Ein echtes Zitat kann die Behauptung möglicherweise immer noch nicht stützen. Verwenden Sie aktuelle Quellen für aktuelle Fakten, einen Taschenrechner für die Arithmetik und „kann nicht feststellen“, wann Beweise fehlen. Behandeln Sie das in Prosa zum Ausdruck gebrachte Vertrauen nicht als kalibrierte Wahrscheinlichkeit.

Das erklärende Schaubild

Folgen Sie den durchgezogenen Pfeilen für den Hauptfluss. Gestrichelte blaue Pfeile liefern Daten oder Kontext; Gestrichelte rosa Pfeile zeigen Feedback oder zurückgegebene Ergebnisse an. Farben und Formen unterscheiden Modelle, Geschäfte, Entscheidungen und Ergebnisse. Scrollen Sie auf kleinen Bildschirmen horizontal, um das gesamte Schaubild zu verfolgen.

Ein vollständiges Beispiel

Hängen Sie eine RAG mit indizierter Richtlinie an den Agenten an. Für „Kann ich nach 20 Tagen zurückkehren?“ werden die 14-Tage-Richtlinien abgerufen und die Grenzen erläutert, ohne Ausnahmen zu erfinden.

Probieren Sie es selbst aus

1. Fügen Sie das RAG bei und vergleichen Sie dieselbe Frage mit und ohne verfügbare Beweise.
2. Notieren Sie die Eingabe, die Quelle und das erwartete Ergebnis, bevor Sie das Experiment durchführen. Verwenden Sie im Beispiel nur die fiktiven Daten.
3. Folgen Sie den Diagrammschritten. Notieren Sie bei jedem Schritt, welche Informationen empfangen und produziert werden. Verwechseln Sie Zwischenergebnisse nicht mit Endergebnissen.
4. Wiederholen Sie den Vorgang, nachdem Sie erforderliche Informationen entfernt oder die Eingabe mehrdeutig gemacht haben. Prüfen Sie, ob das System eine Antwort klärt, stoppt oder erfindet.
5. Vergleichen Sie mit der erklärten Lösung. Bewahren Sie die Konfiguration, das Datum, das Ergebnis und eine Erklärung für Unterschiede auf. Ändern Sie eine Sache und testen Sie es erneut.

Eine erklärte Lösung

Der Agent verwendet die Richtlinie und stellt fest, dass keine dokumentierte Ausnahme vorliegt. es ändert weder die Politik noch die Ordnung. Mit einer erfolgreichen Übung können Sie den Zusammenhang zwischen Input, Phasen und Ergebnis aufzeigen. Bei fehlenden Informationen ist eine vorsichtige Antwort sinnvoller als erfundene Details. Vergleichen Sie mehr als nur Stil: Überprüfen Sie auch Bedingungen, Quellen und Vorgänge.

Wann dieser Ansatz hilft und wo seine Grenzen liegen

Das Anhängen eines nicht indizierten RAG stellt keinen Beweis dar. Wählen Sie diesen Ansatz, wenn er einen gemessenen Bedarf verbessert. Behalten Sie eine einfache Ausgangsbasis bei und vergleichen Sie die Ergebnisse mit identischen Eingaben. Ein erfolgreiches Beispiel stellt nicht in jeder Situation Verlässlichkeit dar.

Überprüfen Sie Ihr Wissen

Führt mehr Autonomie immer zu einem besseren Ergebnis?

Nein. Es erhöht auch den Spielraum für Fehler, Kosten und unnötige Maßnahmen.

Verändert RAG die LLM-Parameter?

Nein. Es stellt den Kontext zur Anforderungszeit bereit. Parameteränderungen gehören zum Training.

Zu welchem ​​Ergebnis soll diese Übung führen?

Der Agent verwendet die Richtlinie und stellt fest, dass keine dokumentierte Ausnahme vorliegt. es ändert weder die Politik noch die Ordnung.

Wichtige Begriffe

• Agentin: Ein System, das Schritte auswählen und Werkzeuge einsetzen kann, um ein Ziel zu erreichen.
• Abruf: Relevante Informationen in zugänglichen Quellen finden.
• Erdung: Eine Antwort auf nachprüfbare Beweise stützen.

Quellen und Ihr nächster Schritt

• LangGraph — Workflows und Agenten
• Lewis et al. — Retrieval-Augmented Generation
• Hugging Face — LLM-Kurs

Zur Vorbereitung: A02 – Ihr erster Agent in der Anwendung