Что на самом деле происходит в RAG?

В предыдущем упражнении вы упорядочили шаги RAG-конвейера, который находит нужную информацию в руководствах по бытовой технике.

Предположим, что вы собрали RAG-конвейер следующим образом:

Загрузить PDF-руководства
Разбить с параметрами chunk_size=1000, chunk_overlap=200
Создать эмбеддинги и индекс
Выполнить поиск с помощью similarity_search(query, k=3)
Объединить найденные фрагменты в строку контекста для передачи в LLM

Какие из приведённых утверждений верно описывают работу конвейера?

Это упражнение является частью курса

ИИ-агенты с Hugging Face smolagents

Посмотреть курс

Практическое интерактивное упражнение

Превратите теорию в практику с помощью одного из наших интерактивных упражнений

Начать упражнение

Это упражнение является частью курса

ИИ-агенты с Hugging Face smolagents

SkillTag.level.advancedSkillTag.label

4.8+

Начать курс бесплатно

Узнайте, что отличает агентов на основе кода и как они используют Python для рассуждений и действий. Создайте своего первого агента с помощью smolagents, подключите встроенные и пользовательские инструменты для доступа к интернету, а также разработайте собственные инструменты для интеграции агентов с данными.

Exercise 1: Введение в Hugging Face smolagents Exercise 2: Агент берётся за математику: анализ расходов Exercise 3: Подождите, вы не написали ни одной функции?Exercise 4: Создание агента с инструментами Exercise 5: Написание кода с помощью запросов: сложные проценты Exercise 6: Даём агенту доступ к интернету Exercise 7: Создание агента с пользовательскими инструментами Exercise 8: Просто добавьте @tool: создание пользовательского инструмента Exercise 9: Счёт, пожалуйста! Открываем агентам доступ к данным Exercise 10: Один запрос, несколько инструментов

Преобразуйте классический RAG-пайплайн в агентную систему, которая итеративно извлекает информацию и выстраивает рассуждения в несколько шагов. Создавайте инструменты с сохранением состояния для расширенного поиска, направляйте агентов с помощью интервалов планирования для улучшения результатов и используйте колбэки для отслеживания и настройки поведения агентов во время выполнения.

Exercise 1: Повторение основ RAG Exercise 2: RAG по порядку: от руководств к ответам Exercise 3: Что на самом деле происходит в RAG?

Текущее упражнение

Exercise 4: Компонент, который добавляет смысл Exercise 5: Введение в агентный RAG Exercise 6: Проектирование с состоянием: создание инструмента поиска RAG Exercise 7: Подключите инструмент и активируйте агентный RAG Exercise 8: Работа с многошаговыми агентами Exercise 9: Отслеживание шагов агента и мониторинг действий Exercise 10: Час игры: запускаем полноценного агента

Решайте сложные задачи, организуя работу команд специализированных агентов под управлением координирующего менеджера. Добавляйте память для сохранения контекста между взаимодействиями, отлаживайте поведение агентов с помощью трассировки и шагов рассуждения, а также реализуйте надёжные стратегии валидации для получения качественных и стабильных ответов.

Exercise 1: Введение в многоагентные системы Exercise 2: Разделяй и властвуй: создание специализированных агентов Exercise 3: Знакомство с командой: координация агентов Exercise 4: Управление памятью агента Exercise 5: Не забывайте: сохранение памяти между вызовами Exercise 6: Трассировка выполнения кода агента Exercise 7: Валидация финального ответа агента Exercise 8: Больше деталей, агент: контроль длины ответа Exercise 9: Умные агенты: валидация и повторные попытки Exercise 10: Поздравляем!