نویسنده (ها): ماهواری سخت
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
این داستان فقط عضو بر ما است. برای دسترسی به همه رسانه ها ارتقا دهید.
در دنیای مدل های بزرگ زبان (LLMS) ، نسل تقویت شده بازیابی (RAG) به عنوان یک تغییر دهنده بازی ظاهر شده است. RAG سنتی ، در حالی که پیشگامانه است ، اغلب از یک الگوی قابل پیش بینی پیروی می کند: اطلاعات واکشی مبتنی بر پرس و جو کاربر ، سپس از آن اطلاعات برای ایجاد پاسخ استفاده کنید. اما اگر بتوانیم این فرایند را باهوش تر ، سازگارتر کنیم ، چه می شود؟ وارد Agentic Rag ، یک جهش قابل توجه به جلو که به همان اندازه با Rag سنتی متفاوت است از تلفن هوشمند از تلفن تلنگر است.
تصور کنید که از یک سرویس مشتری از chatbot سؤال پیچیده ای می پرسید که نیاز به اطلاعات از منابع متعدد دارد. RAG سنتی ممکن است برای ارائه یک پاسخ جامع تلاش کند ، اما Rag Agentic ، با عوامل هوش مصنوعی خود ، می تواند از طریق پایگاه های دانش ، کتابچه راهنمای محصول و تاریخچه مشتری برای ارائه یک راه حل شخصی حرکت کند. این قدرت Rag Agentic است – LLM ها را از پردازنده های اطلاعات منفعل به افراد متقاضی دانش فعال تبدیل می کند.
RAG با ترکیب قدرت تولیدی خود با امکان دسترسی و بازیابی اطلاعات مربوطه از منابع دانش خارجی ، LLM ها را تقویت می کند. این رویکرد به LLM ها اجازه می دهد تا پاسخ های آگاهانه تر و جامع تری داشته باشند ، که در دانش واقعی و داده های دنیای واقعی پایه گذاری شده اند.
یک سیستم RAG معمولی مراحل زیر را شامل می شود:
رمزگذاری سوال: پرس و جو کاربر … وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی
منبع: https://towardsai.net/p/l/understanding-agentic-rag-and-how-its-different-from-rag-with-code
