Evo nas opet! Još jedan val novih pojmova stvara gužve u cijeloj AI zajednici. Pratiti sve ove trendove može biti teško (pogotovo kada su mnogi od njih, budimo iskreni, samo buzzwords! 😏) Posebno je važan najnoviji trend Pogledajte oko sebe i vidjet ćete kako svi govore o Sve više i više tvrtki ih gradi, planira ili barem želi. agentic approach to AI Tko su agenti Ali su stvarna budućnost? ili samo još više hype da se probudi? 🤔 Pa, nastavite čitati kako biste saznali! Agentic AI i Agentic RAG Od "tradicionalne" umjetne inteligencije do novog agencijskog pristupa AI se razvija brzom brzinom, i iako se čini čudno to reći, sada se možemo odnositi na neke pristupe kao "tradicionalnu AI"! Govorimo o svim onim LLM integracijama koje smo vidjeli u posljednjih nekoliko mjeseci (mislim, čak i Paint je imao AI značajke!). Sada, baš kao što se obično događa kada se pojavi nova tehnologija ili cool funkcija / praksa, svatko želi skočiti na brodu. aplikacija odjednom imala “Reels” ili neki spin-off? Svaki Tijekom vremena, sama tehnologija se razvija, a korisnici i tržište određuju koje aplikacije su doista vrijedne istraživanja i imaju smisla. Dakle, nije iznenađenje da smo u posljednjih nekoliko tjedana prešli izvan ranijih pristupa AI-u na nešto mnogo dinamičnije: ! Agentic AI and Agentic RAG Razmislite o "tradicionalnoj AI" i ranijim integracijama LLM-a kao briljantnom, ali pomalo pasivnom asistentu. Pitao biste ga pitanje, a to bi vam dalo odgovor. Na primjer, pitate chatbot, "Što je vrijeme?" i kaže vam. jednostavno, direktno i učinkovito za mnoge zadatke. ️ Zašto se to promijenilo? – Željeli smo Više, a ne samo Još više! do Kaži Potrebni su nam sustavi koji mogu planirati, obavljati višestupanjske zadatke, komunicirati s aplikacijama, samoregulirati, povezati se s alatima ( ), i još mnogo toga. Slijedeći članakNovi protokoli! This is where agentic AI and agentic RAG workflows step in! Umjesto da samo odgovori, agentički AI sustav djeluje kao proaktivni superheroj za rješavanje problema. Ali je li to budućnost AI-a ili samo hype? Decoding Agentic AI: Što je hype o? Vrijeme je da se potonemo dublje u svijet agentičke AI . Definicija agencije AI Dakle, što točno Zamislite svog trenutnog AI asistenta, ali preopterećen s . je ability to think, plan, and act autonomously to achieve complex goals To više nije samo odgovor na pitanja; to je aktivno rješavanje problema na temelju datog upita!  + 💪 U svom srcu, agentički AI koristi LLM-ove integrirane u " ️ ♂️ Tko su agenti Ovi Razbijanje velikih, složenih zadataka u manje, upravljive korake. Zatim, za svaki korak, koriste se različiti alati ( ) kako bi dovršio mikro zadatak – sve to samostalno! Tko su agenti Često kroz MCP integracije Nakon što su svi pojedinačni koraci završeni i dobar rezultat je postignut, agent integrira ove rezultate za isporuku konačnog rezultata.To bi moglo biti stvaranje sadržaja - baš kao i redoviti LLM-ovi (ali s mnogo točnijim rezultatima zbog višestupanjskog procesa) - ili čak obavljanje stvarnih operacija kao što su kupnja namirnica online za vas, s obzirom na popis kupnje. Kako to postići To je širok pojam, i iz dobrog razloga – postoje brojni načini da ga donesemo u život! Agencija AI U većini scenarija, AI agent ne djeluje u izolaciji. umjesto toga, orkestriraju više (čak i na daljinu, zahvaljujući protokolima kao što su Svaki pod-agent obično pokreće jedan ili više LLM-ova i opremljen je specijaliziranim alatima za postizanje određenih ciljeva. sub-agents Googleov A2A Dakle, u suštini • Agentic AI means orchestrating LLMs and the tools they can connect to into a goal-driven workflow U ovoj uzbudljivoj novoj granici pojavljuje se nekoliko mogućih arhitekture: 
 
 
 
 
 Sekvencijski agenti: Jedan agent dovršava zadatak, a zatim njezin ishod glatko prenosi sljedećem agentu u lancu. Zamislite agenta koji izvodi svoje podagente više puta, ili za određeni broj iteracija ili dok se ne ispuni određeni uvjet. Paralelni agenti: za zadatke koji se mogu obavljati samostalno, podagenti se istodobno pokreću kako bi se ubrzao proces! ⚡ I još... Osnovna ideja je stvoriti višestupanjski tok rada u kojem visoko specijalizirani agenti (koji su izvrsni u rješavanju određenih zadataka) rade zajedno. Stvari postaju mnogo lakše razumjeti s primjerom u stvarnom svijetu: Vidi ️ Kako izgraditi novinara AI agenta pomoću tri podagenta Tradicionalna AI protiv agencijskog AI 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Feature 
 Traditional AI 
 Agentic AI 
 
 
 
 
 Implementations 
 Usually, integration with a single LLM 
 A set of AI-orchestrated agents, each integrated with its own LLMs and specialized tools 
 
 
 
 
 Core function 
 Generating content by answering queries 
 Proactive problem-solving focused on achieving complex goals 
 
 
 
 
 Autonomy 
 Reactive; waits for explicit instruction 
 Autonomous; plans, executes, and self-corrects 
 
 
 
 
 Task handling 
 Single-step tasks or simple sequences 
 Complex, multi-step workflows where problems are broken down. 
 
 
 
 
 Tool usage 
 Possible plugin integration 
 Extensive integration with external tools, APIs, and more via AI protocols like MCP 
 
 
 
 
 Interaction 
 Primarily text-in, text-out 
 Interacts with applications, real-world systems, and other agents 
 
 
 
 
 Example 
 "Give me the best places I should see in my 3-day trip to Miami" 
 An AI vacation planner looking for fresh and new places to visit on your trip, while simultaneously booking flights, hotels, and buying tickets for the selected experiences for you 
 
 
 
 
 Best analogy 
 A knowledgeable assistant 
 A highly skilled project manager or a team of specialized experts 
 
 
 
 
 In emojis 
 🧠 
 🧠 + 🦾 Implementations Uobičajeno, integracija s jednim LLM Sastav AI-orchestrated agenata, svaki integriran s vlastitim LLM-ovima i specijaliziranim alatima Core function Generiranje sadržaja odgovaranjem na upite Proaktivno rješavanje problema usmjereno na postizanje složenih ciljeva Autonomy Reaktivno; čeka eksplicitne upute Autonomni; planira, izvršava i samoregulira Task handling Jednostavne zadatke ili jednostavne sekvence Kompleksni, višestupanjski tokovi rada u kojima se problemi raspadaju. Tool usage Moguća Plugin integracija Opsežna integracija s vanjskim alatima, API-jima i još mnogo toga putem AI protokola kao što je MCP Interaction Prvenstveno tekst-in, tekst-out Interakcija s aplikacijama, sustavima u stvarnom svijetu i drugim agentima Example "Dajte mi najbolje mjesto koje bih trebao vidjeti na mojem 3-dnevnom putovanju u Miami" Planičar AI-a za odmor koji traži svježa i nova mjesta za posjetiti na vašem putovanju, dok istodobno rezervira letove, hotele i kupuje karte za odabrana iskustva za vas Best analogy Poznati pomoćnik visoko kvalificirani projektni menadžer ili tim specijaliziranih stručnjaka In emojis + Unpacking Agentic RAG: Što trebate znati Vrijeme je za istraživanje agentičkog RAG-a, nove granice generacije povećane preuzimanjem. Što je to Dakle, čuli ste za To je kao davanje LLM super-moćne knjižnice kartice kako bi pronašli točne, svježe i vrlo relevantne informacije prije nego što proizvede odgovor. RAG (Retrieval-Augmented Generation – povećana generacija povratka) To je sjajno za uzgoj LLM-ova, ali postoji ulov: • you had to find and pass that content to the AI yourself Pa, agentički RAG uzima taj koncept i ubrizgava ozbiljnu autonomiju! Osnovna ideja ovdje je To znači da ćete imati sustav zasnovan na agentima koji može strateški planirati prikupljanje kontekstnih podataka. apply agentic AI principles directly to the RAG workflow Misli o tome kao da ima posvećen AI istraživački motor! Ovaj agent ne samo da pasivno pretražuje. Umjesto toga, obavlja višestruke ciljane pretrage , inteligentno procjenjuje kvalitetu informacija koje pronalazi, pa čak i rafinira svoje upite na letu na temelju onoga što otkriva. Ovaj proaktivni proces znači da agentički RAG sustav može samostalno pronaći, razumjeti i odabrati visokokvalitetni sadržaj. Kako ga provesti Implementacija agencijskog RAG-a vrti se oko dizajna specijaliziranog "agenta za povrat" opremljenog s LLM-ovima i pravim alatima za interakciju i ekstrakciju podataka iz različitih izvora kao što su baze podataka, web APIs i baza znanja tvrtke. Ovaj pametan agent će se nositi s teškim dizanjem: 
 
 
 
 
 Pretvorite prompt u optimizirane upite za pretraživanje. Primijenite te pretrage na sve izvore kojima imate pristup (potencijalno čak i paralelno! ). Procijeniti relevantnost prikupljenog sadržaja. Sažeti povratne, visokokvalitetne informacije. Na kraju, (ili drugi specijalizirani agenti) da koriste te podatke za izradu konačnog izlaza. the meticulously curated information is then passed to a "generation agent" ✔️ Korak 1-3 može biti ponovljen više puta od strane AI orkestratora ako se izvlačeni sadržaj ne smatra točnim ili dovoljno. Note Tradicionalni RAG protiv Agentic RAG 
 
 
 
 
 
 
 
 
 
 
 
 Feature 
 Traditional RAG 
 Agentic RAG 
 
 
 
 
 How context retrieval works 
 The LLM's answers are grounded in a pre-defined knowledge base that it can access 
 A dedicated retrieval agent strategically plans, executes, and refines multi-step searches across diverse sources 
 
 
 
 
 Autonomy 
 Reactive retrieval 
 Proactive and autonomous retrieval 
 
 
 
 
 Complexity 
 Simpler to set up for basic Q&A tasks. 
 More complex to design and implement due to the orchestration of multiple agents and specialized tools 
 
 
 
 
 Example 
 "What is the future of AI given the content in these research papers: <RESEARCH_PAPERS>?" 
 An agent workflow tasked with: "Summarize the latest trends in AI from recent academic papers." 
 
 
 
 
 In emojis 
 📚 ➡️ 💬 
 🧠 🗺️ 🔍 ➡️ 📝 ➡️ ✨ How context retrieval works Odgovori LLM-a temelje se na unaprijed definiranoj bazi znanja koju može pristupiti Posvećen agent za pretraživanje strateški planira, provodi i poboljšava višestupanjske pretrage u različitim izvorima Autonomy Reaktivni retrieval Proaktivno i autonomno preuzimanje Complexity Jednostavnije postavljanje za osnovne Q&A zadatke. Složeniji za dizajn i provedbu zbog orkestracije višestrukih agenata i specijaliziranih alata Example "Što je budućnost umjetne inteligencije s obzirom na sadržaj ovih istraživačkih radova: <RESEARCH_PAPERS>?" Tijek rada agenata zadužen je za: "Savršite najnovije trendove u AI-u iz nedavnih akademskih radova." In emojis ️ ️️️️️ Što trebate izgraditi Agentic AI i Agentic RAG radne tokove Do sada, narativ u ovom članku može vas natjerati da mislite da su agentički AI i agentički RAG uvijek superiorniji od "tradicionalnih" AI i RAG. Dok ove "agentske" reinterpretacije AI-a i RAG-a definitivno mogu ponuditi bolju točnost i složeniju automatizaciju, izgradnja cijelog toka rada AI-a s višestrukim specijaliziranim agentima koji međusobno razgovaraju nije uvijek najbolji pristup - osobito za jednostavne zadatke. Zapamtite, AI je rođen kako bi pojednostavio i automatizirao. Over-engineering it can definitely be counterproductive. Agentički AI i agentički RAG stvarno sjaju kada U tim scenarijima, vrijeme i napor uloženi u izgradnju cijelog toka rada temeljenog na agentima imaju savršen smisao. need to repeat elaborate actions or demand highly accurate results multiple times Sada, čak i ako odlučite da je agentički tok posla pravi put, njegova implementacija je potpuno drugačiji izazov. Trebat će vam cijela arhitektura alata i rješenja za podršku agenata. 
 
 
 
 
 
 
 
 : Fresh, curated, AI-optimized datasets specifically designed for RAG workflows. 📦 Data packets 
 
  Servers packed with tools for data conversion, data retrieval, browser interaction, and much more. ⚙️ MCP servers: 
 
 : AI-integrable APIs that LLMs can use to retrieve fresh and accurate content from search engines—for RAG pipelines. 🔎 SERP APIs 
 
 : AI-ready browsers that agents can connect to for visiting and interacting with webpages while bypassing IP bans, CAPTCHAs, and other roadblocks. 🆓 Agent browsers 
 
  (yes, the ecosystem is constantly growing 📈 ). And many other tools! Drugim riječima, da biste stvarno implementirali Agentic AI i RAG radne tokove bez napora, trebali biste pristupiti , baš kao što Bright Data nudi, kako bi podržao cijeli životni ciklus vaših AI inicijativa! Sveobuhvatna AI i BI infrastrukture AI i BI infrastrukture https://www.youtube.com/watch?v=BfBofOssDkM&embedable=true Završne misli Sada razumijete na što se odnose agentički AI i agentički RAG, kako ih provoditi i kako se stabljuju protiv svojih "tradicionalnih" kolega. Kao što smo naglasili, davanje tih moćnih agentičkih radnih tokova životu zahtijeva infrastrukturu AI-a koja može podržati vaše AI agente i radne tokove od početka do kraja. U tvrtki Bright Data naša je misija jednostavna: učiniti umjetnu inteligenciju dostupnom svima, svugdje, pa do sljedećeg puta – ostanite znatiželjni, ostanite hrabri i nastavite graditi budućnost umjetne inteligencije!

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

This writer has a vested interest be it monetary, business, or otherwise, with 1 or more of the products or companies mentioned within.

Agentički AI i Agentički RAG: Hyped Buzzwords ili Game-Changer?

About Author

KOMENTARI

VIJESI OZNAKE

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps