Agent połączony z wiedzą

Agent może skorzystać z RAG jako narzędzia wiedzy. To różni się od twierdzenia, że ​​zapamiętał wszystkie dokumenty.

Kroki te odnoszą się do funkcji zidentyfikowanych w kodzie aplikacji. Ten materiał nie został sprawdzony na żywo; sprawdź dokumentację i opcje w swojej wersji.

Jak to działa, krok po kroku

Ograniczona pętla agenta

Agent łączy model z narzędziami, celem i stanem. Obserwuje żądanie, wybiera krok, otrzymuje wynik i decyduje, czy kontynuować. Chatbot może generować jedynie tekst; agent może zażądać działania zewnętrznego. Definicje komercyjne są różne, dlatego sprawdź rzeczywistą kontrolę. Zdefiniuj sukces i zatrzymanie: zweryfikowany wynik, maksymalną liczbę kroków, powtarzające się błędy lub wyczerpany budżet. Korzystaj z wąskich możliwości i minimalnych uprawnień. Użyteczna autonomia oznacza wolność w granicach narzuconych przez oprogramowanie.

RAG uzyskuje dostęp do dowodów, a nie przekwalifikowuje

RAG oznacza generowanie wspomagane wyszukiwaniem: wyszukiwanie dostarcza odpowiednich fragmentów, zanim model odpowie. Pozyskiwanie przygotowuje dokumenty, podczas gdy wykonanie zapytania przeszukuje indeks i buduje kontekst. Model osadzania reprezentuje tekst liczbowo; model odpowiedzi zapisuje odpowiedź. Rerankery, wizja, modele graficzne i routery pełnią w razie potrzeby różne role. RAG pomaga w przypadku prywatnych lub zmieniających się informacji, ale nie gwarantuje prawdy. Korzystaj z autoryzowanego API dla sald, dokładnych zapasów lub uprawnień; stary dokument nie jest wiarygodnym źródłem obecnego stanu.

Płynność i prawdziwość sprawdzane są oddzielnie

Halucynacja to nieuzasadniona lub nieprawidłowa treść prezentowana jako odpowiedź. Może wynikać z brakujących informacji, niejednoznaczności lub nieprawidłowo połączonych wzorców. Poproś o dowód i sprawdź oryginalny dokument, datę, jednostki i warunki. Prawdziwy cytat może nadal nie potwierdzać tej tezy. Korzystaj z bieżących źródeł w celu uzyskania aktualnych faktów, kalkulatora do obliczeń arytmetycznych i „nie potrafię określić”, gdy brakuje dowodów. Nie traktuj pewności wyrażonej w prozie jako skalibrowanego prawdopodobieństwa.

Schemat objaśniający

Postępuj zgodnie ze strzałkami wskazującymi główny przepływ. Przerywane niebieskie strzałki przedstawiają dane lub kontekst; przerywane różowe strzałki pokazują opinie lub zwracane wyniki. Kolory i kształty wyróżniają modele, sklepy, decyzje i wyniki. Na małym ekranie przewijaj w poziomie, aby zobaczyć cały schemat.

Kompletny przykład

Dołącz do agenta RAG z indeksowaną polityką. W przypadku opcji „Czy mogę zwrócić po 20 dniach?” pobiera 14-dniową polisę i wyjaśnia ograniczenia bez wymyślania wyjątków.

Spróbuj sam

1. Dołącz RAG i porównaj to samo pytanie z dostępnymi dowodami i bez nich.
2. Przed rozpoczęciem eksperymentu zapisz dane wejściowe, źródło i oczekiwany wynik. W przykładzie użyj wyłącznie fikcyjnych danych.
3. Postępuj zgodnie z etapami diagramu. Na każdym etapie zapisuj, jakie informacje zostały otrzymane i wyprodukowane; nie myl produktu pośredniego z efektem końcowym.
4. Powtórz po usunięciu niezbędnych informacji lub wprowadzeniu niejednoznaczności. Sprawdź, czy system wyjaśnia, zatrzymuje lub wymyśla odpowiedź.
5. Porównaj z objaśnionym rozwiązaniem. Zachowaj konfigurację, datę, wynik i wyjaśnienie różnic. Zmień jedną rzecz i przetestuj ponownie.

Wyjaśnione rozwiązanie

Agent stosuje tę politykę i nie zauważa żadnego udokumentowanego wyjątku; nie zmienia to ani polityki, ani porządku. Pomyślne ćwiczenie pozwala pokazać związek między danymi wejściowymi, etapami i wynikiem. Gdy brakuje informacji, bardziej użyteczna jest ostrożna odpowiedź niż wymyślane szczegóły. Porównaj więcej niż styl: sprawdź także warunki, źródła i operacje.

Kiedy to podejście pomaga i jakie ma ograniczenia

Dołączenie nieindeksowanego RAG nie tworzy dowodu. Wybierz to podejście, jeśli poprawia ono zmierzoną potrzebę. Zachowaj prostą linię bazową i porównaj wyniki, korzystając z identycznych danych wejściowych. Jeden udany przykład nie gwarantuje niezawodności w każdej sytuacji.

Sprawdź swoją wiedzę

Czy większa autonomia zawsze daje lepszy wynik?

Nie. Zwiększa także przestrzeń na błędy, koszty i niepotrzebne działania.

Czy RAG zmienia parametry LLM?

Nie. Dostarcza kontekst w czasie żądania; zmiany parametrów należą do szkolenia.

Jaki wynik powinno dać to ćwiczenie?

Agent stosuje tę politykę i nie zauważa żadnych udokumentowanych wyjątków; nie zmienia to ani polityki, ani porządku.

Pojęcia do zapamiętania

• Agent: System, który może wybierać kroki i używać narzędzi do osiągnięcia celu.
• Wyszukiwanie: Znajdowanie odpowiednich informacji w dostępnych źródłach.
• Grunt: Oparcie odpowiedzi na weryfikowalnych dowodach.

Źródła i następny krok

• LangGraph — Przepływy pracy i agenci
• Lewis et al. — Pokolenie rozszerzone o odzyskiwanie
• Hugging Face — kurs LLM

Aby przygotować: A02 — Twój pierwszy agent w aplikacji