استكشف Agentic RAG لتعزيز الذكاء الاصطناعي من خلال التفكير المستقل. تعرف على كيفية قيام Ultralytics Ultralytics بتعزيز الاسترجاع والرؤية الذكية.
الاسترجاع المعزز بالوكلاء (Agentic RAG) هو بنية متقدمة للذكاء الاصطناعي (AI) تعزز أنظمة الاسترجاع التقليدية من خلال دمج وكلاء الذكاء الاصطناعي المستقلين . في حين تعمل خطوط أنابيب RAG القياسية في تسلسل "استرجاع وتوليد" خطي، فإن Agentic RAG يمكّن نموذج اللغة الكبيرة (LLM) من العمل كمنسق ذكي. يمكن لهذا الوكيل تحليل موجه المستخدم بشكل مستقل، وتحديد ما إذا كانت هناك حاجة إلى معلومات خارجية ، وصياغة استعلامات بحث متعددة، وتقييم البيانات المسترجعة، وتحسين بحثه بشكل متكرر حتى يجمع إجابة شاملة ودقيقة. من خلال الاستفادة من قدرات استدعاء الوظائف واستخدام الأدوات، تقوم هذه الأنظمة بتوجيه الاستعلامات ديناميكيًا عبر قواعد البيانات المختلفة وواجهات برمجة التطبيقات والأدوات التحليلية، مما يقلل بشكل كبير من الهلوسة في نماذج اللغة الكبيرة عند التعامل مع مشاكل معقدة ومتعددة الخطوات.
تكمن الابتكار الأساسي لـ Agentic RAG في قدرته على التكرار والتفكير المنطقي. تقود أطر عمل الذكاء الاصطناعي الوكيلة هذه العملية إلى سير عمل ديناميكي ومستقل:
لتنفيذ خطوط إنتاج قوية، من الضروري التمييز بين Agentic RAG ومفاهيمه الأساسية:
تقوم Agentic RAG بتحويل الصناعات من خلال أتمتة مهام البحث العميق وحل المشكلات المعقدة التي تحاكي التفكير التحليلي البشري.
تُعد نماذج الرؤية أدوات حسية قوية لأنظمة RAG الوكيلة التي تتفاعل مع العالم المادي. على سبيل المثال، يمكن للوكيل استخدام Ultralytics لاسترداد السياق البصري ديناميكيًا من صورة أو دفق فيديو للرد على استفسارات المستخدم. يمكن للمطورين إدارة تعليقات البيانات وتدريب أدوات الرؤية المخصصة هذه باستخدام Ultralytics .
يوضح Python التالي Python كيف يمكن لوكيل الذكاء الاصطناعي استدعاء YOLO26 برمجياً لاستخراج ملاحظات منظمة من صورة، وجمع سياق واقعي لخطوة الاستدلال التالية.
from ultralytics import YOLO
# Initialize YOLO26 for the agent's visual retrieval tool
model = YOLO("yolo26n.pt")
# The agent invokes the model on an image to gather visual facts
results = model("https://ultralytics.com/images/bus.jpg")
# The agent parses the detected objects to formulate its next query or action
visual_context = [model.names[int(c)] for c in results[0].boxes.cls]
print(f"Agent Observation: I currently see {', '.join(visual_context)}.")
من خلال ربط نماذج الرؤية عالية القدرة بمحركات الاستدلال، يسد Agentic RAG الفجوة بين استرجاع المعرفة الثابتة والذكاء المكاني الديناميكي في العالم الحقيقي . للحصول على نظرة أعمق على المشهد المتطور للأنظمة المستقلة، يوفر تقرير مؤشر ستانفورد للذكاء الاصطناعي تتبعًا شاملاً لقدرات الوكلاء .
