Een agent verbonden met kennis

Een agent kan RAG raadplegen als kennisinstrument. Dat is wat anders dan beweren dat het alle documenten uit het hoofd heeft geleerd.

Deze stappen verwijzen naar de functies die in de applicatiecode zijn geïdentificeerd. Dit materiaal is niet gevalideerd op een live exemplaar; controleer de documentatie en de opties in uw versie.

Hoe het werkt, stap voor stap

Een begrensde agentlus

Een agent combineert een model met hulpmiddelen, een doel en een staat. Het observeert het verzoek, kiest een stap, ontvangt een resultaat en besluit of het doorgaat. Een chatbot mag alleen tekst genereren; een agent kan om een ​​externe actie verzoeken. Commerciële definities variëren, dus inspecteer de daadwerkelijke controle. Definieer succes en stoppen: een geverifieerd resultaat, een maximaal aantal stappen, herhaalde fouten of een uitgeput budget. Gebruik beperkte mogelijkheden en minimale machtigingen. Nuttige autonomie betekent vrijheid binnen de door software afgedwongen grenzen.

RAG heeft toegang tot bewijsmateriaal, maar herschoolt niet

RAG betekent retrieval-augmentedgeneration: ophalen levert relevante passages op voordat het model antwoordt. Ingestion bereidt documenten voor, terwijl de uitvoering van query's de index doorzoekt en context opbouwt. Een inbeddingsmodel geeft tekst numeriek weer; het responsmodel schrijft het antwoord. Rerankers, vision-, grafiek- en routermodellen vervullen indien nodig verschillende rollen. RAG helpt bij privé- of veranderende informatie, maar garandeert de waarheid niet. Gebruik een geautoriseerde API voor saldi, exacte inventarisatie of machtigingen; een oud document is geen betrouwbare bron voor de huidige stand van zaken.

Vloeiendheid en waarheid worden afzonderlijk gecontroleerd

Een hallucinatie is niet-ondersteunde of onjuiste inhoud die als antwoord wordt gepresenteerd. Het kan voortkomen uit ontbrekende informatie, onduidelijkheid of verkeerd gecombineerde patronen. Vraag om bewijsmateriaal en controleer het originele document, de datum, de eenheden en de voorwaarden. Een echt citaat kan de bewering nog steeds niet ondersteunen. Gebruik actuele bronnen voor actuele feiten, een rekenmachine voor rekenen, en ‘kan niet vaststellen’ wanneer bewijs ontbreekt. Beschouw het in proza ​​uitgedrukte vertrouwen niet als een gekalibreerde waarschijnlijkheid.

Het verklarende schema

Volg de ononderbroken pijlen voor de hoofdstroom. Gestippelde blauwe pijlen leveren gegevens of context; roze pijlen geven feedback of geretourneerde resultaten weer. Kleuren en vormen onderscheiden modellen, winkels, beslissingen en resultaten. Scrol op kleine schermen horizontaal om het hele schema te volgen.

Een compleet voorbeeld

Voeg een RAG met geïndexeerd beleid toe aan de agent. Voor “Kan ik na 20 dagen retourneren?” haalt het de 14-dagen-polis op en legt de limieten uit zonder uitzonderingen te verzinnen.

Probeer het zelf

1. Voeg de RAG toe en vergelijk dezelfde vraag met en zonder beschikbaar bewijs.
2. Leg de input, bron en verwachte uitkomst vast voordat u het experiment uitvoert. Gebruik alleen de fictieve gegevens in het voorbeeld.
3. Volg de diagramfasen. Registreer bij elke stap welke informatie wordt ontvangen en geproduceerd; verwar de tussentijdse output niet met het uiteindelijke resultaat.
4. Herhaal dit nadat de noodzakelijke informatie is verwijderd of de invoer dubbelzinnig is gemaakt. Controleer of het systeem een ​​antwoord verduidelijkt, stopt of verzint.
5. Vergelijk met de uitgelegde oplossing. Bewaar de configuratie, datum, resultaat en een verklaring voor verschillen. Verander één ding en test opnieuw.

Een uitgelegde oplossing

De agent gebruikt het beleid en merkt geen gedocumenteerde uitzondering op; het verandert noch het beleid, noch de orde. Met een succesvolle oefening kun je het verband tussen input, fasen en uitkomst laten zien. Als er informatie ontbreekt, is een voorzichtig antwoord nuttiger dan verzonnen details. Vergelijk meer dan stijl: controleer ook voorwaarden, bronnen en bewerkingen.

Wanneer deze aanpak helpt en wat de beperkingen zijn

Het bijvoegen van een niet-geïndexeerde RAG levert geen bewijs op. Kies deze aanpak wanneer deze een gemeten behoefte verbetert. Houd een eenvoudige basislijn aan en vergelijk de resultaten met behulp van identieke inputs. Eén succesvol voorbeeld garandeert niet in elke situatie betrouwbaarheid.

Controleer wat je hebt geleerd

Geeft meer autonomie altijd een beter resultaat?

Nee. Het vergroot ook de ruimte voor fouten, kosten en onnodige acties.

Verandert RAG de LLM-parameters?

Nee. Het levert context op verzoektijd; parameterwijzigingen horen bij training.

Welk resultaat moet deze oefening opleveren?

De agent gebruikt het beleid en merkt geen gedocumenteerde uitzondering op; het verandert noch het beleid, noch de orde.

Begrippen om te onthouden

• Tussenpersoon: Een systeem dat stappen kan kiezen en hulpmiddelen kan gebruiken om een ​​doel te bereiken.
• Ophalen: Relevante informatie vinden in toegankelijke bronnen.
• Aarding: Een antwoord baseren op verifieerbaar bewijs.

Bronnen en uw volgende stap

• LangGraph — Workflows en agenten
• Lewis et al. — Retrieval-Augmented Generation
• Hugging Face — LLM Course

Ter voorbereiding: A02 — Uw eerste agent in de applicatie