ここでまた行きます! 新しい用語のもう一つの波は、AIコミュニティでリップルを生み出しています。これらのトレンドをすべて見守ることは困難です(特にそれらの多くが、正直に言えば、ただのブズワードです! ) 特に最新の傾向は、 周りを見回して、みんなが話しているのを見る ますます多くの企業がそれらを構築し、計画し、または少なくともそれを望んでいる。 agentic approach to AI エージェント しかし、彼ら 現実の未来? それとも、もっとハイペーンを繰り広げるのか? さて、学ぶために読書を続けてください! エージェントAIとエージェントRAG 「伝統的な」AIから新しいアジェンティックアプローチへ AIは急速なペースで進化しており、それを言うのは不思議ですが、今ではいくつかのアプローチを「伝統的なAI」と呼ぶことができます! 私たちは、過去数カ月間に私たちが見たすべてのLLM統合について話しています(つまり、PaintさえAI機能を持っています!)。 今、新しいテクノロジーやクールな機能や実践が登場するときと同じように、誰もがボードに飛び込むことを望んでいます。 突然「Reels」やスピンオフがあったのか?そうだ、あの狂気。 😉) 各 時間の経過とともに、テクノロジー自体は進化し、ユーザーと市場は、どのアプリケーションが真に探る価値があり、意味を持っているかを決定します。 したがって、過去数週間で、私たちは以前のAIアプローチを超えて、よりダイナミックなものに移行したことは驚くことではありません。 ↓↓↓ Agentic AI and Agentic RAG 「伝統的なAI」と以前のLLMのインテグレーションを、素晴らしいですが、少し受動的なアシスタントのように考えてください。あなたはそれに質問をし、それはあなたに答えを与えるでしょう。例えば、あなたはチャットボットに「天気は何ですか?」と尋ねます。 なんで変えたいの?変えたいの? More, Not Just もっと! ドー 教えて 私たちは、プログラムを計画し、複数のステップのタスクを実行し、アプリケーションと相互作用し、自己修正、ツールに接続できるシステムを必要とします( )、そして、もっとたくさん。 新たなプロトコルを通じて! This is where agentic AI and agentic RAG workflows step in! 単に答えるのではなく、エージェント AI システムはプロアクティブな問題解決のスーパーヒーローとして機能します。 しかし、これはAI の未来ですか? それとも単にハイパーですか? もっと学びましょう! 👇 Decoding Agentic AI: What's the Hype About? エージェントAIの世界に深く潜入する時間です。 エージェントAIの定義 では、何が正確に あなたの現在のAIアシスタントを想像してください、しかし超充電された . は ability to think, plan, and act autonomously to achieve complex goals それはもはや単に質問に答えるのではなく、特定のプロンプトに基づいて積極的に問題を解決しています!  + 中心に、エージェント AI は「LLMs」に統合されています。 ️ ♂️ エージェント これら 大規模で複雑な作業を小規模で管理可能なステップに分割し、それぞれのステップでさまざまなツールを使用します( ) マイクロタスクを完了する - すべて自律的に! エージェント しばしばMCP統合を通じて すべての個々のステップが完了し、良い結果が達成されると、エージェントはこれらの結果を統合して最終的な結果を提供します。これは、通常のLLMのようにコンテンツを生成する可能性があります(しかし、複数のステッププロセスのおかげでより正確な結果を持つ) - または、あなたのためにオンラインで食料品を購入するなど、実際の世界の操作を実行することもできます、ショッピングリストを提供します。 どうやって達成するか これは広い用語であり、正当な理由で、それを生かす方法はたくさんあります! エージェント AI ほとんどのシナリオでは、AIエージェントは孤立的に動作しません。 (たとえ遠隔でも、プロトコルとして 各サブエージェントは通常、1つ以上のLLMによって動作し、特定の目標を達成するための専門ツールを備えています。 sub-agents Google A2A だから、本質的に、 ↓↓↓ Agentic AI means orchestrating LLMs and the tools they can connect to into a goal-driven workflow このエキサイティングな新しい境界では、いくつかの可能なアーキテクチャが現れる: 
 
 
 
 
 エージェント1 ➡️エージェント2 ➡️ ... ➡️エージェントN ループ・エージェント:ロープ・エージェントは、特定の条件が満たされるまで、あるいは一定の回復数のために、そのサブエージェントを繰り返し実行するエージェントを想像してください。 パラレルエージェント:独立して実行できるタスクでは、サブエージェントが同時に実行され、プロセスを加速します! もっと... コアアイデアは、高度に専門化されたエージェント(特定のタスクを解決する上で優れている)が協力する多段階のワークフローを構築することです。 物事は現実世界の例で理解しやすくなります: See ️ 3 サブエージェントを使用してジャーナリストのAIエージェントを構築する方法 伝統的なAI vs エージェント 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 通常、単一LLMとの統合 AIでオーケストラ化されたエージェントのセット、それぞれ独自のLLMと専門ツールと統合 Core function 質問に答えることでコンテンツを生成 複雑な目標達成に焦点を当てたプロアクティブな問題解決 Autonomy 反応性:明確な指示を待つ Autonomous: Plans, Executes, and Self-Correct 自動的に計画、実行、自己修正 Task handling Single-step tasks or simple sequences シングルステップ 問題が解消される複雑で複数の段階のワークフロー。 Tool usage 可能なプラグイン統合 外部ツール、API、およびMCPなどのAIプロトコルを介して幅広い統合 Interaction 主にテキストイン、テキストアウト アプリケーション、現実世界システム、その他のエージェントとの相互作用 Example 「マイアミへの3日間の旅行で見るべき最高の場所を教えてください」 AIの休暇プランナーは、旅行中に訪れる新鮮で新しい場所を探し、同時にフライト、ホテルを予約し、あなたのために選択された体験のチケットを購入します。 Best analogy 知識のあるアシスタント 高度に熟練したプロジェクトマネージャーまたは専門家のチーム In emojis ↓↓↓ + Unpacking Agentic RAG:あなたが知る必要があること エージェントのRAG、リクエスト拡張世代の新たな境界を探る時が来た。 何であるか だから、あなたは聞いたこと これは、LLMに超強力なライブラリカードを与えて、答えを出す前に正確で新鮮で非常に関連する情報を見つけるのと同じです。 RAG(Retrieval Augmented Generation) それはLLMを土台にするのに素晴らしいですが、捕獲がありました: ↓↓↓ you had to find and pass that content to the AI yourself さて、エージェントのRAGはそのコンセプトを採用し、いくつかの深刻な自主性を注入します! ここで主な考えは、 これは、コンテキストデータの取得を戦略的に計画できるエージェントベースのシステムを持つことを意味します。 apply agentic AI principles directly to the RAG workflow 専用のAI研究エンジンを持っているかのように考えてください! このエージェントは単に被動的に検索するのではなく、複数のターゲット検索を実行し、知的に見つける情報の品質を評価し、発見したものに基づいてクエリを改良します。 このプロアクティブなプロセスは、エージェントRAGシステムが独自に高品質なコンテンツを検索、理解、選択できることを意味します。 どのように実施するか エージェントRAGの実装は、LLMと適切なツールを備えた専門の「リサイクルエージェント」を設計し、データベース、Web API、および企業の知識ベースなどのさまざまなソースからデータをインタラクションおよび抽出します。 このスマートなエージェントは重い持ち上げを処理します: 
 
 
 
 
 プロンプトを最適化された検索クエリに変換します。 アクセスできるすべてのソースにそれらの検索を適用する(可能性は平行でさえ! )。 回収したコンテンツの重要性を評価します。 収集した質の高い情報をまとめます。 最後に、 (またはその他の専門エージェント)は、そのデータを使用して最終出力を作成する。 the meticulously curated information is then passed to a "generation agent" ️ ステップ1〜3は、抽出したコンテンツが正確または十分であると判断されない場合、AIオーケストラによって複数回繰り返すことができます。 Note 従来のRAG vs 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 LLMの答えは、それがアクセスできる事前定義された知識ベースに基づいています。 専用のリハビリエージェントは、さまざまなソースの複数のステップ検索を戦略的に計画し、実行し、改善します。 Autonomy 反応リリース Proactive and Autonomous Retrieval(プロアクティブで自主的なリトリビューション) Complexity 基本的な Q&A タスクの設定が簡単です。 複雑な設計と実装により、複数のエージェントと専門ツールのオーケストラ化 Example 「これらの研究論文の内容を考慮して、AIの未来はどうなっているか: <RESEARCH_PAPERS>」 エージェントワークフローは、「最近の学術論文からAIの最新のトレンドをまとめる」と題されました。 In emojis ↓↓↓↓↓ ️️️️ Agentic AI と Agentic RAG ワークフローを構築するために必要なこと これまでのところ、この記事の話は、エージェントAIとエージェントRAGは常に「伝統的な」AIとRAGよりも優れていると考えるかもしれません。 AIとRAGのこれらの「大規模な」再解釈は確実により良い精度とより複雑な自動化を提供することができるが、複数の専門エージェントが互いに話し合うためのAIワークフロー全体を構築することは常に最善のアプローチではない。 AIは単純化と自動化のために生まれたことを覚えておいてください。 ↓↓↓ Over-engineering it can definitely be counterproductive. エージェントAIとエージェントRAGが本当に輝くとき これらのシナリオでは、エージェントベースのワークフロー全体の構築に費やされた時間と努力は完璧に意味があります。 need to repeat elaborate actions or demand highly accurate results multiple times 現在、エージェントワークフローが正しい方法であると判断しても、それを実装することはまったく異なる課題です。 
 
 
 
 
 
 
 
 : 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! 言い換えれば、エージェント AI および RAG ワークフローを努力なく実装するには、アクセスが必要です。 Bright Data が提供するものと同様に、AI イニシアチブのライフサイクル全体をサポートします! A 総合 AIとBIインフラ AIとBIインフラ https://www.youtube.com/watch?v=BfBofOssDkM&embedable=true 最終思考 今では、エージェントAIとエージェントRAGが何を指しているか、どのように実装するか、そして彼らが「伝統的な」同僚とどのように対立するかを理解します。 私たちが強調したように、これらの強力なエージェントワークフローを生かすには、AIエージェントとワークフローを最初から最後までサポートできるAIインフラストラクチャが必要です。 Bright Dataでは、私たちの使命はシンプルです:誰にでも、どこにでも、AIにアクセスできるようにしますので、次回まで、好奇心を持って、勇気を持って、AIの未来を築き続けてください!

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.

2022 - HackerNoon Contributor of the Year - Amazon

Request Your Own Data

Nominated for 2022 - HackerNoon Contributor of the Year - Amazon

このオーディオは、ストーリーの元の言語で制作されています。

長すぎる; 読むには

Make resilience your competitive advantage

Agentic AIと Agentic RAG: Hyped Buzzwords or Game-Changer?

About Author

コメント

ラベル

この記事は

Related Stories

HackerNoon Coded: HackerNoonが最も活発に活動している上位10カ国

AI/ML データレイクのリファレンスアーキテクチャを構築するためのアーキテクトガイド

ユーザー中心の暗号通貨製品の作成: 顧客からのフィードバックの重要性

海を航海する: データレイクを使用した本番環境レベルの RAG アプリケーションの開発

HackerNoon Coded: HackerNoonが最も活発に活動している上位10カ国

AI/ML データレイクのリファレンスアーキテクチャを構築するためのアーキテクトガイド

ユーザー中心の暗号通貨製品の作成: 顧客からのフィードバックの重要性

海を航海する: データレイクを使用した本番環境レベルの RAG アプリケーションの開発

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps