Agentic RAG

Ajan tabanlı Getirimle Zenginleştirilmiş Üretim (Agentic RAG), otonom yapay zekâ (AI) aracılarını entegre ederek geleneksel getirim sistemlerini geliştiren gelişmiş bir yapay zekâ (AI) mimarisidir. Standart RAG işlem hatları doğrusal bir "getir ve üret" sırasıyla çalışırken Agentic RAG, bir Büyük Dil Modelinin (LLM) akıllı bir orkestratör olarak hareket etmesini sağlar. Bu aracı, kullanıcının istemini bağımsız olarak analiz edebilir, harici bilgilere ihtiyaç olup olmadığını belirleyebilir, birden çok arama sorgusu oluşturabilir, getirilen verileri değerlendirebilir ve kapsamlı ve doğru bir yanıt derleyene kadar araştırmasını yinelemeli olarak geliştirebilir. İşlev çağırma ve araç kullanma yeteneklerinden yararlanan bu sistemler, sorguları çeşitli veritabanları, API'ler ve analiz araçları arasında dinamik olarak yönlendirerek karmaşık, çok adımlı sorunlarla çalışırken LLM'lerdeki halüsinasyonları önemli ölçüde azaltır.

Agentic RAG Sistemleri Nasıl Çalışır#

Agentic RAG'nin temel yeniliği, döngü kurma ve akıl yürütme yeteneğinde yatar. Önde gelen agentic AI çerçeveleri bu süreci dinamik, otonom iş akışları şeklinde yapılandırır:

• Sorgu Planlama ve Yönlendirme: Aracı, karmaşık soruları daha küçük ve yönetilebilir alt görevlere ayırır ve her birini en uygun araca veya vektör veritabanına yönlendirir.
• Yinelemeli Erişim: Statik erişimin aksine aracı, getirilen belgeleri inceler. Bağlam yetersizse arama stratejisini yeniden formüle eder ve tekrar sorgular.
• Araç Entegrasyonu: Aracı kod yazıp çalıştırabilir, matematiksel işlemler gerçekleştirebilir veya anlık olarak yeni veriler sentezlemek için makine öğrenimi (ML) modellerini tetikleyebilir.

Agentic RAG ve Standart RAG#

Sağlam üretken işlem hatları uygulamak için Agentic RAG'yi temel kavramlarından ayırt etmek çok önemlidir:

• Standart Retrieval-Augmented Generation (RAG): Tek geçişte çalışır. Belgeleri anlamsal benzerliğe göre getirir ve bir yanıt oluşturur. Birden çok adımda farklı veri kaynaklarını sentezlemeyi gerektiren karmaşık mantıkta zorlanır.
• Agentic RAG: Karar verme ve döngüler sunar. Aracı, erişimin kalitesini değerlendirir ve oluşturma işlemini sonlandırmadan önce sonraki aramaları veya farklı araçları tetikleyebilir.
• Multimodal RAG: Çeşitli veri türlerini (görüntüler, metin, video) getirmeye odaklanır. Agentic RAG, bir Multimodal RAG işlem hattını kontrol ederek görsel bir veritabanında ne zaman arama yapılacağına veya bir metin belgesinin ne zaman kullanılacağına karar verebilir.

Gerçek Dünya Uygulamaları#

Agentic RAG, insanın analitik akıl yürütmesini taklit eden derin araştırma ve karmaşık sorun giderme görevlerini otomatikleştirerek sektörleri dönüştürüyor.

• Kurumsal Bilgi Sentezi: Kurumsal ortamlarda bir aracıya "3. çeyrekteki performansımızı özetle ve en büyük rakibimizin son kazançlarıyla karşılaştır" istemi verilebilir. Aracı, şirket içi finansal veritabanlarını otonom olarak sorgular, rakibin finansal bildirimleri için gerçek zamanlı web aramaları gerçekleştirir, sayıları bir hesap makinesi aracıyla analiz eder ve kapsamlı bir özet hazırlar.
• Otonom Kalite Denetimi: Üretimde bir aracıya montaj hatasının kök nedenini belirleme görevi verilebilir. Aracı, canlı kamera görüntüsünü incelemek için bir bilgisayarlı görü (CV) modelini tetikleyebilir, geçmiş bakım kayıtlarını sorgulayabilir ve görsel ile metinsel kanıtlara dayalı bir tanı raporu sentezleyebilir.

Agentic İş Akışlarına Vision AI Entegrasyonu#

Vision modelleri, fiziksel dünyayla etkileşime giren Agentic RAG sistemleri için güçlü duyusal araçlar görevi görür. Örneğin bir aracı, kullanıcı sorgularını yanıtlamak üzere bir görüntü veya video akışından görsel bağlamı dinamik olarak getirmek için Ultralytics YOLO26 kullanabilir. Geliştiriciler, bu özel görsel araçların veri açıklamasını ve eğitimini Ultralytics Platformu ile yönetebilir.

Aşağıdaki Python örneği, bir yapay zekâ aracısının bir görüntüden yapılandırılmış gözlemler çıkarmak ve bir sonraki akıl yürütme adımı için olgusal bağlam toplamak üzere Ultralytics YOLO26'yı program aracılığıyla nasıl çağırabileceğini gösterir.

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)}.")

Son derece yetenekli görme modellerini akıl yürütme motorlarına bağlayan Agentic RAG, statik bilgi erişimi ile dinamik, gerçek dünyadaki uzamsal zekâ arasındaki boşluğu kapatır. Otonom sistemlerin gelişen yapısına daha yakından bakmak için Stanford AI Index Raporu, agentic yeteneklerin kapsamlı bir takibini sunar.