Vậy, RAG thực sự làm gì?

Ở bài trước, bạn đã sắp xếp các bước cho một pipeline RAG tìm đúng thông tin từ các sổ tay hướng dẫn đồ gia dụng.

Giả sử bạn lắp ráp pipeline RAG như sau:

Tải các tệp PDF hướng dẫn sử dụng
Chia nhỏ với chunk_size=1000, chunk_overlap=200
Tạo embeddings và index
Truy xuất bằng similarity_search(query, k=3)
Ghép các chunk đã truy xuất thành một chuỗi ngữ cảnh để gửi cho LLM

Tùy chọn nào sau đây mô tả đúng những gì pipeline thực hiện?

Bài tập này là một phần của khóa học

AI Agents với Hugging Face smolagents

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

AI Agents với Hugging Face smolagents

SkillTag.level.advancedSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Khám phá điều làm code agents trở nên đặc biệt và cách chúng dùng Python để suy luận và hành động. Xây dựng agent đầu tiên với smolagents, thêm công cụ dựng sẵn và từ cộng đồng để truy cập web, và tạo công cụ tùy chỉnh để kết nối agent với dữ liệu.

Exercise 1: Giới thiệu về Hugging Face smolagents Exercise 2: Để Agent Tính Toán: Khai thác chi tiêu Exercise 3: Khoan đã, bạn không viết hàm nào ư?Exercise 4: Tạo một Agent với Tools Exercise 5: Viết mã qua prompt: Lãi kép Exercise 6: Cho agent tìm kiếm trên web Exercise 7: Tạo một Agent với Custom Tools Exercise 8: Chỉ cần thêm @tool: Viết một Tool tùy chỉnh Exercise 9: Check, Please! Cho agent truy cập dữ liệu Exercise 10: Một prompt, Nhiều tool

Biến pipeline RAG truyền thống của bạn thành hệ thống agentic có khả năng truy xuất lặp và suy luận qua nhiều bước. Xây dựng công cụ có trạng thái để hỗ trợ truy xuất nâng cao, hướng dẫn agents với các khoảng lập kế hoạch để cải thiện kết quả, và dùng callbacks để theo dõi và tùy chỉnh hành vi của agent khi chạy.

Exercise 1: Ôn tập về RAG Exercise 2: RAG theo trình tự: Từ sổ tay đến câu trả lời Exercise 3: Vậy, RAG thực sự làm gì?

Bài tập hiện tại

Exercise 4: Bước thêm ý nghĩa Exercise 5: Giới thiệu về Agentic RAG Exercise 6: Thiết kế có trạng thái: Xây dựng công cụ tìm kiếm RAG Exercise 7: Kết nối công cụ, kích hoạt Agentic RAG Exercise 8: Làm việc với tác nhân đa bước Exercise 9: Theo dõi các bước của Agent, giám sát hành động Exercise 10: Đến giờ thi đấu: Chạy toàn bộ agent

Giải quyết quy trình phức tạp bằng cách điều phối các nhóm agent chuyên trách dưới một manager. Thêm memory để giữ ngữ cảnh xuyên suốt các tương tác, gỡ lỗi hành vi agent bằng execution traces và các bước suy luận, và triển khai chiến lược xác thực vững chắc để đảm bảo phản hồi chất lượng cao và đáng tin cậy.

Exercise 1: Giới thiệu về Hệ thống Đa Tác nhân Exercise 2: Chia để trị: Tạo các agent chuyên biệt Exercise 3: Gặp đội ngũ: Phối hợp tác nhân Exercise 4: Quản lý bộ nhớ của Agent Exercise 5: Đừng quên: Giữ bộ nhớ giữa các lần gọi Exercise 6: Theo dõi quá trình thực thi mã của Agent Exercise 7: Xác thực Câu Trả Lời Cuối Cùng của Agent Exercise 8: Nói rõ hơn, Agent: Ép buộc độ dài câu trả lời Exercise 9: Agent thông minh hơn: Xác thực và thử lại Exercise 10: Chúc mừng bạn!