(點擊上方圖片觀看本課程影片)
本課程全面介紹了「Agentic Retrieval-Augmented Generation (Agentic RAG)」，這是一種新興的人工智慧範式，讓大型語言模型（LLMs）能夠自主規劃下一步，同時從外部資源中提取資訊。與靜態的「檢索後閱讀」模式不同，Agentic RAG 涉及 LLM 的多次迭代調用，並穿插工具或函數調用以及結構化輸出。系統會評估結果、改進查詢、在必要時調用額外工具，並持續此循環直到達成令人滿意的解決方案。
本課程將涵蓋以下內容：
- 了解 Agentic RAG： 探索 AI 中的新興範式，了解大型語言模型（LLMs）如何自主規劃下一步，同時從外部數據源中提取資訊。
- 掌握迭代式 Maker-Checker 模式： 理解 LLM 的迭代調用循環，穿插工具或函數調用以及結構化輸出，旨在提高正確性並處理不良查詢。
- 探索實際應用： 確定 Agentic RAG 的適用場景，例如以正確性為優先的環境、複雜的數據庫交互以及延展性工作流程。
完成本課程後，您將能夠了解以下內容：
- 理解 Agentic RAG： 探索 AI 中的新興範式，了解大型語言模型（LLMs）如何自主規劃下一步，同時從外部數據源中提取資訊。
- 迭代式 Maker-Checker 模式： 掌握 LLM 的迭代調用循環，穿插工具或函數調用以及結構化輸出，旨在提高正確性並處理不良查詢。
- 掌控推理過程： 理解系統如何掌控其推理過程，決定如何解決問題，而不依賴預定的路徑。
- 工作流程： 了解代理模型如何自主決定檢索市場趨勢報告、識別競爭者數據、關聯內部銷售指標、綜合分析結果並評估策略。
- 迭代循環、工具整合與記憶： 探索系統如何依賴循環交互模式，跨步驟保持狀態和記憶，避免重複循環並做出明智決策。
- 處理失敗模式與自我修正： 探索系統的強大自我修正機制，包括迭代和重新查詢、使用診斷工具以及依賴人類監督。
- 代理的界限： 理解 Agentic RAG 的限制，聚焦於特定領域的自主性、基礎設施依賴以及對安全框架的尊重。
- 實際應用場景與價值： 確定 Agentic RAG 的適用場景，例如以正確性為優先的環境、複雜的數據庫交互以及延展性工作流程。
- 治理、透明性與信任： 探索治理與透明性的重要性，包括可解釋的推理、偏差控制以及人類監督。
Agentic Retrieval-Augmented Generation (Agentic RAG) 是一種新興的人工智慧範式，讓大型語言模型（LLMs）能夠自主規劃下一步，同時從外部資源中提取資訊。與靜態的「檢索後閱讀」模式不同，Agentic RAG 涉及 LLM 的多次迭代調用，並穿插工具或函數調用以及結構化輸出。系統會評估結果、改進查詢、在必要時調用額外工具，並持續此循環直到達成令人滿意的解決方案。
Agentic Retrieval-Augmented Generation (Agentic RAG) 是 AI 開發中的新興範式，LLMs 不僅能從外部數據源中提取資訊，還能自主規劃下一步。與靜態的「檢索後閱讀」模式或精心設計的提示序列不同，Agentic RAG 涉及 LLM 的迭代調用循環，穿插工具或函數調用以及結構化輸出。每一步，系統都會評估已獲得的結果，決定是否改進查詢、調用額外工具，並持續此循環直到達成令人滿意的解決方案。
這種迭代的「Maker-Checker」操作模式旨在提高正確性，處理結構化數據庫（例如 NL2SQL）的不良查詢，並確保平衡且高品質的結果。系統不僅依賴精心設計的提示鏈，還能主動掌控其推理過程。它可以重寫失敗的查詢、選擇不同的檢索方法，並整合多種工具，例如 Azure AI Search 的向量搜索、SQL 數據庫或自定義 API，然後再最終確定答案。這消除了對過於複雜的編排框架的需求。相反，一個相對簡單的「LLM 調用 → 工具使用 → LLM 調用 → …」循環即可產生複雜且有根據的輸出。
使系統具有「代理性」的區別特質在於其掌控推理過程的能力。傳統的 RAG 實現通常依賴人類預先定義模型的路徑：例如一個檢索和決策的思路鏈。 但當系統真正具有代理性時，它會內部決定如何解決問題。它不僅僅執行一個腳本；而是根據所獲得資訊的質量自主決定步驟的順序。 例如，當被要求制定產品上市策略時，它不僅僅依賴一個提示來詳細說明整個研究和決策工作流程。相反，代理模型會自主決定：
- 使用 Bing Web Grounding 檢索當前市場趨勢報告。
- 使用 Azure AI Search 識別相關競爭者數據。
- 使用 Azure SQL Database 關聯歷史內部銷售指標。
- 通過 Azure OpenAI Service 將分析結果綜合成一個連貫的策略。
- 評估策略的漏洞或不一致之處，必要時進行另一輪檢索。 所有這些步驟——改進查詢、選擇資源、迭代直到對答案「滿意」——都是由模型決定的，而非由人類預先編寫。
代理系統依賴於循環交互模式：
- 初始調用： 使用者的目標（即使用者提示）被呈現給 LLM。
- 工具調用： 如果模型識別出缺失資訊或指令不明確，它會選擇工具或檢索方法，例如向量數據庫查詢（例如 Azure AI Search Hybrid search 遍歷私有數據）或結構化 SQL 調用，以獲取更多上下文。
- 評估與改進： 在審查返回的數據後，模型決定資訊是否足夠。如果不足，它會改進查詢、嘗試不同工具或調整方法。
- 重複直到滿意： 此循環持續進行，直到模型認為它擁有足夠的清晰度和證據來提供最終的、經過充分推理的回應。
- 記憶與狀態： 由於系統在各步驟中保持狀態和記憶，它可以回憶之前的嘗試及其結果，避免重複循環並在過程中做出更明智的決策。
隨著時間的推移，這種方式創造了一種逐步演化的理解，使模型能夠在不需要人類不斷介入或重塑提示的情況下，完成複雜的多步驟任務。
Agentic RAG 的自主性還包括強大的自我修正機制。當系統遇到瓶頸，例如檢索到無關文件或遇到不良查詢時，它可以：
- 迭代和重新查詢： 模型不會返回低價值的回應，而是嘗試新的搜索策略、重寫數據庫查詢或查看替代數據集。
- 使用診斷工具： 系統可能調用額外的函數，幫助其調試推理步驟或確認檢索數據的正確性。像 Azure AI Tracing 這樣的工具將對實現強大的可觀察性和監控非常重要。
- 依賴人類監督： 對於高風險或反覆失敗的場景，模型可能標記不確定性並請求人類指導。一旦人類提供了糾正性反饋，模型可以在後續過程中吸收該教訓。
這種迭代和動態的方法使模型能夠持續改進，確保它不僅僅是一個一次性系統，而是一個能在特定會話中從錯誤中學習的系統。
儘管在任務中具有自主性，Agentic RAG 並不等同於人工通用智能。其「代理性」能力僅限於人類開發者提供的工具、數據源和政策。它無法自行創建工具或超越已設置的領域邊界。相反，它擅長於動態編排現有資源。 與更高級 AI 形式的主要區別包括：
- 特定領域的自主性： Agentic RAG 系統專注於在已知領域內實現使用者定義的目標，採用查詢重寫或工具選擇等策略來改善結果。
- 基礎設施依賴： 系統的能力取決於開發者整合的工具和數據。它無法在沒有人工干預的情況下超越這些邊界。
- 尊重安全框架： 道德準則、合規規則和業務政策仍然非常重要。代理的自由始終受到安全措施和監督機制的約束（希望如此？）。
Agentic RAG 在需要迭代改進和精確性的場景中表現出色：
- 以正確性為優先的環境： 在合規檢查、法規分析或法律研究中，代理模型可以反覆驗證事實、查詢多個來源並重寫查詢，直到產生經過徹底審核的答案。
- 複雜的數據庫交互： 在處理結構化數據時，查詢可能經常失敗或需要調整，系統可以自主使用 Azure SQL 或 Microsoft Fabric OneLake 改進查詢，確保最終檢索符合使用者意圖。
- 延展性工作流程： 隨著新資訊的出現，長期運行的會話可能會演變。Agentic RAG 可以持續整合新數據，隨著對問題空間的了解加深而調整策略。
隨著這些系統在推理中變得更加自主，治理和透明性至關重要：
- 可解釋的推理： 模型可以提供其所做查詢、所檢索來源以及其推理步驟的審計記錄。像 Azure AI Content Safety 和 Azure AI Tracing / GenAIOps 這樣的工具可以幫助保持透明性並降低風險。
- 偏差控制與平衡檢索： 開發者可以調整檢索策略，確保考慮平衡且具有代表性的數據來源，並定期審核輸出以檢測偏差或不平衡模式，使用 Azure Machine Learning 的自定義模型進行高級數據科學。
- 人類監督與合規： 對於敏感任務，人類審查仍然至關重要。Agentic RAG 並不取代人類在高風險決策中的判斷——它通過提供更徹底審核的選項來輔助人類。
擁有能夠提供清晰行動記錄的工具至關重要。沒有這些工具，調試多步驟過程可能非常困難。以下是 Literal AI（Chainlit 背後的公司）提供的代理運行示例：
Agentic RAG 代表了 AI 系統如何處理複雜且數據密集型任務的自然演進。通過採用循環交互模式、自主選擇工具並改進查詢直到達成高品質結果，系統超越了靜態的提示執行，成為更具適應性和上下文感知的決策者。儘管仍然受限於人類定義的基礎設施和道德準則，這些代理性能力使企業和終端使用者能夠享受更豐富、更動態且更有價值的 AI 交互。
加入 Azure AI Foundry Discord，與其他學習者交流，參加辦公時間並解答您的 AI Agents 問題。
- 2303.17651 Self-Refine: Iterative Refinement with Self-Feedback
- 2303.11366 Reflexion: Language Agents with Verbal Reinforcement Learning
- 2305.11738 CRITIC: Large Language Models Can Self-Correct with Tool-Interactive Critiquing
- 2501.09136 Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG
免責聲明：
本文件已使用 AI 翻譯服務 Co-op Translator 進行翻譯。儘管我們努力確保翻譯的準確性，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵信息，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或誤釋不承擔責任。
