Ajan RAG

Agentic Retrieval-Augmented Generation (Agentic RAG), otonom AI ajanlarını entegre ederek geleneksel arama sistemlerini geliştiren gelişmiş bir yapay zeka (AI) mimarisi. Standart RAG boru hatları doğrusal bir "arama ve üretme" dizisinde çalışırken, Agentic RAG, Büyük Dil Modeli'nin (LLM) akıllı bir düzenleyici olarak hareket etmesini sağlar. Bu ajan, kullanıcının komutunu bağımsız olarak analiz edebilir, harici bilginin gerekip gerekmediğini belirleyebilir, birden fazla arama sorgusu oluşturabilir, geri getirilen verileri değerlendirebilir ve kapsamlı ve doğru bir cevap derleyene kadar araştırmasını yinelemeli olarak iyileştirebilir. İşlev çağırma ve araç kullanma yeteneklerinden yararlanarak, bu sistemler sorguları çeşitli veritabanları, API'ler ve analitik araçlar arasında dinamik olarak yönlendirir ve karmaşık, çok adımlı sorunlarla uğraşırken LLM'lerdeki halüsinasyonları önemli ölçüde azaltır.

Agency RAG Sistemleri Nasıl Çalışır?

Agentic RAG'ın temel yeniliği, döngü ve akıl yürütme yeteneğinde yatmaktadır. Önde gelen agentik AIçerçeveleri bu süreci dinamik, otonom iş akışları halinde yapılandırır:

• Sorgu Planlama ve Yönlendirme: Ajan, karmaşık soruları daha küçük, yönetilebilir alt görevlere ayırır ve her birini en uygun araç veya vektör veritabanına yönlendirir.
• Yinelemeli Geri Alma: Statik erişimden farklı olarak, ajan getirilen belgeleri gözden geçirir. Bağlam yetersizse, arama stratejisini yeniden formüle eder ve tekrar sorgulama yapar.
• Araç Entegrasyonu: Ajan, kod yazıp çalıştırabilir, matematiksel işlemler yapabilir veya makine öğrenimi (ML) modellerini tetikleyerek anında yeni veriler sentezleyebilir.

Ajan RAG ile Standart RAG'ın Karşılaştırması

Sağlam üretken boru hatları uygulamak için, Agentic RAG'yi temel kavramlarından ayırmak çok önemlidir:

• Standart Geri Alma ile Güçlendirilmiş Üretim (RAG): Tek geçişte çalışır. Anlamsal benzerliğe göre belgeleri alır ve bir yanıt üretir. Birden fazla adımda farklı veri kaynaklarını sentezlemeyi gerektiren karmaşık mantıkla başa çıkmakta zorlanır.
• Ajan RAG: Karar verme ve döngüleri tanıtır. Ajan, geri getirmenin kalitesini değerlendirir ve oluşturmayı tamamlamadan önce sonraki aramaları veya farklı araçları tetikleyebilir.
• Multimodal RAG: Çeşitli veri türlerini (görüntüler, metin, video) almaya odaklanır. Ajans RAG, bir Multimodal RAG boru hattını kontrol edebilir ve görsel bir veritabanını mı yoksa bir metin belgesini mi arayacağına karar verebilir.

Gerçek Dünya Uygulamaları

Agentic RAG, insan analitik muhakemesini taklit eden derin araştırma ve karmaşık sorun giderme görevlerini otomatikleştirerek endüstrileri dönüştürüyor. analitik muhakeme.

• Kurumsal Bilgi Sentezi: Kurumsal ortamlarda, bir temsilci "3. çeyrek performansımızı özetleyin ve en büyük rakibimizin son kazançlarıyla karşılaştırın" şeklinde bir talimat alabilir. Temsilci, iç finansal veritabanlarını özerk bir şekilde sorgular, rakip şirketlerin dosyalarını gerçek zamanlı olarak web'de arar, hesap makinesi aracını kullanarak rakamları analiz eder ve kapsamlı bir özet hazırlar.
• Otonom Kalite Denetimi: Üretimde, bir ajan bir montaj hatasının temel nedenini belirlemekle görevlendirilebilir. Bu, bir bilgisayar görme (CV) modelini tetikleyerek canlı kamera görüntülerini denetleyebilir, geçmiş bakım günlüklerini sorgulayabilir ve görsel ve metinsel kanıtlara dayalı bir teşhis raporu oluşturabilir.

Vision AI'yı Ajans İş Akışlarına Entegre Etmek

Görme modelleri, fiziksel dünyayla etkileşime giren Agentic RAG sistemleri için güçlü duyusal araçlar olarak hizmet eder. Örneğin, bir ajan Ultralytics kullanarak bir görüntü veya video akışından görsel bağlamı dinamik olarak alabilir ve kullanıcı sorgularını yanıtlayabilir. Geliştiriciler, Ultralytics kullanarak bu özel görme araçlarının veri açıklamalarını ve eğitimlerini yönetebilir.

Aşağıdaki Python , bir AI ajanın programlı olarak YOLO26'yı çağırarak bir görüntüden yapılandırılmış gözlemleri nasıl çıkarabileceğini ve bir sonraki akıl yürütme adımı için gerçekçi bağlamı nasıl toplayabileceğini göstermektedir.

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)}.")

Yüksek kapasiteli görme modellerini akıl yürütme motorlarına bağlayarak, Agentic RAG statik bilgi geri getirme ile dinamik, gerçek dünya uzamsal zeka arasındaki boşluğu doldurur. Otonom sistemlerin gelişen manzarasına daha derinlemesine bakmak için, Stanford AI Endeksi Raporu, ajansın yeteneklerinin kapsamlı bir takibini sunar.