Un agente connesso alla conoscenza

Un agente può consultare RAG come strumento di conoscenza. Ciò è diverso dal sostenere di aver memorizzato tutti i documenti.

Questi passaggi si riferiscono alle funzionalità identificate nel codice dell'applicazione. Questo materiale non è stato convalidato su un'istanza live; controlla la documentazione e le opzioni nella tua versione.

Come funziona, passo dopo passo

Un ciclo agente limitato

Un agente combina un modello con strumenti, un obiettivo e uno stato. Osserva la richiesta, sceglie un passo, riceve un risultato e decide se proseguire. Un chatbot può generare solo testo; un agente può richiedere un'azione esterna. Le definizioni commerciali variano, quindi controlla il controllo effettivo. Definisci il successo e l'arresto: un risultato verificato, un numero massimo di passi, errori ripetuti o un budget esaurito. Utilizza funzionalità limitate e autorizzazioni minime. Autonomia utile significa libertà entro i confini imposti dal software.

RAG accede alle prove, non riqualifica

RAG significa generazione aumentata dal recupero: il recupero fornisce passaggi rilevanti prima che il modello risponda. L'inserimento prepara i documenti, mentre l'esecuzione delle query ricerca nell'indice e crea il contesto. Un modello di incorporamento rappresenta il testo numericamente; il modello di risposta scrive la risposta. I modelli di riclassificazione, visione, grafico e router svolgono ruoli diversi quando necessario. RAG aiuta con informazioni private o mutevoli ma non garantisce la verità. Utilizzare un'API autorizzata per saldi, inventario esatto o autorizzazioni; un vecchio documento non è una fonte affidabile per lo stato attuale.

La fluidità e la verità vengono verificate separatamente

Un'allucinazione è un contenuto non supportato o errato presentato come risposta. Può derivare da informazioni mancanti, ambiguità o modelli combinati in modo errato. Richiedi prove e controlla il documento originale, la data, le unità e le condizioni. Una vera citazione potrebbe comunque non supportare l'affermazione. Utilizza fonti attuali per fatti attuali, una calcolatrice per l'aritmetica e "non puoi determinare" quando mancano le prove. Non trattare la fiducia espressa in prosa come una probabilità calibrata.

Lo schema esplicativo

Seguire le frecce continue per il flusso principale. Le frecce blu tratteggiate forniscono dati o contesto; le frecce rosa tratteggiate mostrano feedback o risultati restituiti. Colori e forme distinguono modelli, negozi, decisioni e risultati. Su schermi piccoli, scorri in orizzontale per seguire l’intero schema.

Un esempio completo

Allegare un RAG con policy indicizzata all'agente. Per “Posso restituire dopo 20 giorni?”, recupera la policy dei 14 giorni e spiega i limiti senza inventare eccezioni.

Provalo tu stesso

1. Allega il RAG e confronta la stessa domanda con e senza prove disponibili.
2. Registrare l'input, la fonte e il risultato atteso prima di eseguire l'esperimento. Utilizzare solo i dati fittizi nell'esempio.
3. Seguire le fasi del diagramma. Ad ogni passaggio registrare quali informazioni vengono ricevute e prodotte; non confondere il risultato intermedio con il risultato finale.
4. Ripetere dopo aver rimosso le informazioni necessarie o reso ambiguo l'input. Controlla se il sistema chiarisce, ferma o inventa una risposta.
5. Confrontare con la soluzione spiegata. Conserva la configurazione, la data, il risultato e una spiegazione delle differenze. Cambia una cosa e riprova.

Una soluzione spiegata

L'agente utilizza la policy e non rileva alcuna eccezione documentata; non cambia né la politica né l’ordine. Un esercizio riuscito ti consente di mostrare la connessione tra input, fasi e risultato. Quando mancano le informazioni, una risposta cauta è più utile dei dettagli inventati. Confrontare non solo stile: verificare anche condizioni, fonti e operazioni.

Quando è utile e quali sono i suoi limiti

Allegare un RAG non indicizzato non crea prove. Scegli questo approccio quando migliora un bisogno misurato. Mantieni una linea di base semplice e confronta i risultati utilizzando input identici. Un esempio di successo non stabilisce l’affidabilità in ogni situazione.

Verifica ciò che hai imparato

Una maggiore autonomia dà sempre un risultato migliore?

No. Aumenta anche lo spazio per errori, costi e azioni non necessarie.

RAG modifica i parametri LLM?

No. Fornisce il contesto della richiesta-ora; le modifiche ai parametri appartengono all'addestramento.

Quale risultato dovrebbe produrre questo esercizio?

L'agente utilizza la policy e non rileva alcuna eccezione documentata; non cambia né la politica né l’ordine.

Termini da ricordare

• Agente: un sistema in grado di scegliere passaggi e utilizzare strumenti per raggiungere un obiettivo.
• Recupero: trovare informazioni rilevanti in fonti accessibili.
• Messa a terra: Fondare una risposta su prove verificabili.

Fonti e il prossimo passo

• LangGraph — flussi di lavoro e agenti
• Lewis et al. — Generazione aumentata di recupero
• Hugging Face — Corso LLM

Per preparare: A02: il tuo primo agente nell'applicazione