Šeit mēs atkal ejam! Vēl viens jauno terminu vilnis rada ripples visā AI kopienā. Pievēršot uzmanību visām šīm tendencēm var būt grūti (īpaši, ja daudzi no tiem ir, ļaujiet mums būt godīgiem, tikai buzzwords! 😏) Visbeidzot, jaunākā tendence ir Paskaties apkārt, un jūs redzēsiet, ka visi runā par Arvien vairāk uzņēmumu tos veido, plāno vai vismaz vēlas. agentic approach to AI Kā aģenti Bet ir reālā nākotne? Vai vienkārši vairāk hype, lai pārvarētu? 🤔 Nu, turpiniet lasīt, lai uzzinātu! aģents AI un aģents RAG No “tradicionālā” AI līdz jaunai aģentu pieejai AI attīstās straujā tempā, un, lai gan šķiet dīvaini to teikt, mēs tagad varam atsaukties uz dažām pieejām kā "tradicionālu AI"! Mēs runājam par visām LLM integrācijām, kuras mēs esam redzējuši pēdējos mēnešos (es domāju, pat Paint ir AI funkcijas!). Tagad, tāpat kā tas parasti notiek, kad nāk klajā jauna tehnoloģija vai atdzist funkcija / prakse, ikviens vēlas lēkt uz kuģa. (atcerieties, kad app pēkšņi bija “Reels” vai kāds spin-off? jā, ka frenzy. 😉) Katrs Laika gaitā pati tehnoloģija attīstās, un lietotāji un tirgus nosaka, kuras lietojumprogrammas patiešām ir vērts izpētīt un ir jēgas. Tātad, tas nav pārsteidzoši, ka pēdējo nedēļu laikā mēs esam pārcēlušies ārpus iepriekšējām AI pieejām uz kaut ko daudz dinamiskāku: ! Agentic AI and Agentic RAG Domājiet par "tradicionālo AI" un agrākām LLM integrācijām kā par spilgtu, bet nedaudz pasīvu palīgu. Jūs uzdotu viņam jautājumu, un tas dos jums atbildi. Piemēram, jūs jautājat čatobotam: "Kāds ir laiks?" un tas jums pastāstīs. Tātad, kāpēc pārmaiņas? mēs gribējām AI, kas varētu Vairāk, ne tikai Vairāk nekā! Dā Pastāstiet Mums ir nepieciešamas sistēmas, kas spēj plānot, izpildīt daudzpakāpju uzdevumus, mijiedarboties ar lietojumprogrammām, paškorektēt, savienot ar instrumentiem ( ), un vēl daudz vairāk. Ar jauniem protokoliem! This is where agentic AI and agentic RAG workflows step in! Tā vietā, lai vienkārši atbildētu, aģenta AI sistēma darbojas kā proaktīvs problēmu risinātājs. Bet vai tas ir AI nākotne vai tikai hype? 👇 Dekodēšana aģentūras AI: par ko ir hype? Laiks ienirt dziļāk aģentu AI pasaulē . Definīcija aģents AI Kas tieši Iedomājieties savu pašreizējo AI palīgu, bet pārslogotu ar . ir ability to think, plan, and act autonomously to achieve complex goals Tas vairs nav tikai atbildēt uz jautājumiem; tas ir aktīvi problēmu risināšana, pamatojoties uz noteiktu ieteikumu!  + 💪 Savā būtībā aģents AI izmanto LLM, kas integrēti " ️ ♂️ Kā aģenti Šie Izmantojiet dažādus, sarežģītus un sarežģītus risinājumus, lai atrisinātu dažādas problēmas. ( ) lai pabeigtu mikrouzdevumu – visu to patstāvīgi! Kā aģenti Bieži vien, izmantojot MCP integrācijas Kad visi atsevišķie soļi ir pabeigti un ir sasniegts labs rezultāts, aģents integrē šos rezultātus, lai sniegtu galīgo rezultātu. Kā to sasniegt Tas ir plašs jēdziens, un labu iemeslu dēļ – ir daudz veidu, kā to panākt! Aģentūra AI Lielākajā daļā scenāriju AI aģents nedarbojas izolēti. (pat attālināti, pateicoties tādiem protokoliem kā Katrs apakšagents parasti tiek darbināts ar vienu vai vairākiem LLM un ir aprīkots ar specializētiem rīkiem, lai sasniegtu konkrētus mērķus. sub-agents Google A2A tīkls Tātad būtībā, • Agentic AI means orchestrating LLMs and the tools they can connect to into a goal-driven workflow Šajā aizraujošajā jaunajā robežās rodas vairākas iespējamās arhitektūras: 
 
 
 
 
 Sekvenciālie aģenti: viens aģents pabeidz uzdevumu, pēc tam netraucēti nodod savu iznākumu nākamajam aģentam ķēdē. Loop aģenti: Iedomājieties aģentu, kas atkārtoti izpilda savus apakšagentus, vai nu noteiktu iterāciju skaitu, vai līdz brīdim, kad ir izpildīts konkrēts nosacījums. Paralēli aģenti: uzdevumiem, kurus var izpildīt neatkarīgi, subagenti tiek izpildīti vienlaicīgi, lai paātrinātu procesu! Un vairāk... Galvenā ideja ir izveidot daudzpakāpju darba plūsmu, kurā augsti specializēti aģenti (kas izceļas konkrētu uzdevumu risināšanā) strādā kopā.  Šī kombinācija noved pie ļoti sarežģītām, autonomām AI sistēmām, kas spēj risināt neticami dažādus izaicinājumus. Lietas kļūst daudz vieglāk saprast ar reālās pasaules piemēru: Skatīt ️ Kā izveidot žurnālistu AI aģentu, izmantojot trīs apakšagentus Tradicionālais AI pret aģentu 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 Parasti, integrācija ar vienu LLM AI orķestra aģentu kopums, katrs integrēts ar saviem LLM un specializētiem rīkiem Core function Satura radīšana, atbildot uz vaicājumiem Proaktīva problēmu risināšana, koncentrējoties uz sarežģītu mērķu sasniegšanu Autonomy Reaktīvs; gaida skaidrus norādījumus Autonoms; plāno, izpilda un pašpietiek Task handling Vienkārši uzdevumi vai sekvences Sarežģītas, daudzpakāpju darba plūsmas, kurās problēmas tiek sadalītas. Tool usage Iespējama plug-in integrācija Plaša integrācija ar ārējiem rīkiem, API un citiem, izmantojot AI protokolus, piemēram, MCP Interaction Galvenokārt tekst-in, tekst-out Mijiedarbība ar lietojumprogrammām, reālās pasaules sistēmām un citiem aģentiem Example "Dodiet man labākās vietas, kuras man vajadzētu redzēt manā 3 dienu braucienā uz Miamiju" AI brīvdienu plānotājs, kas meklē svaigas un jaunas vietas, lai apmeklētu jūsu ceļojumā, vienlaikus rezervējot lidojumus, viesnīcas un iegādājoties biļetes par jums izvēlētajiem pieredzi Best analogy Zinošs palīgs Augsti kvalificēts projekta vadītājs vai specializētu ekspertu komanda In emojis + Unpacking Agentic RAG: kas jums jāzina Laiks izpētīt aģentu RAG, jauno robežu retrieval-augmented paaudzes. Kas tas ir Jūs esat dzirdējuši par Tas ir tāpat kā dot LLM super-spēcīgu bibliotēkas karti, lai atrastu precīzu, svaigu un ļoti svarīgu informāciju, pirms tā rada atbildi. RAG (Retrieval-Augmented Generation) – atgūšanas paplašinātā paaudze Tas ir lieliski, lai pamatotu LLM, bet ir bijis nozvejas: • you had to find and pass that content to the AI yourself Nu, aģents RAG ņem šo koncepciju un ievada kādu nopietnu autonomiju! Galvenā ideja šeit ir Tas nozīmē, ka jums būs uz aģentiem balstīta sistēma, kas var stratēģiski plānot kontekstuālo datu atgūšanu. apply agentic AI principles directly to the RAG workflow Padomājiet par to kā par īpašu AI pētniecības dzinēju! Šis aģents ne tikai pasīvi meklē. Tā vietā tas veic vairākus mērķtiecīgus meklējumus , inteliģenti novērtē informācijas kvalitāti, ko tas atrod, un pat izsmalcina savus vaicājumus, pamatojoties uz to, ko tas atklāj. Šis proaktīvais process nozīmē, ka aģentu RAG sistēma var atrast, saprast un izvēlēties augstas kvalitātes saturu pati. Kā to īstenot Īstenojot aģentu RAG, tiek izstrādāts specializēts "atgūšanas aģents", kas aprīkots ar LLM un pareizajiem rīkiem, lai mijiedarbotos un iegūtu datus no dažādiem avotiem, piemēram, datu bāzēm, tīmekļa API un uzņēmuma zināšanu bāzi. Šis gudrais aģents pārvaldīs smago pacelšanu: 
 
 
 
 
 Pārvērst promptus optimizētos meklēšanas vaicājumos. Piemērojiet šos meklējumus visos avotos, kuriem tam ir piekļuve (potenciāli pat paralēli! ). Novērtējiet atgūtā satura atbilstību. Apkopojiet iegūto, augstas kvalitātes informāciju. Visbeidzot , (vai citiem specializētiem aģentiem) izmantot šos datus, lai izveidotu galīgo rezultātu. the meticulously curated information is then passed to a "generation agent" ️ : AI orķestris var atkārtot 1-3 soļus vairākas reizes, ja iegūtais saturs netiek uzskatīts par precīzu vai pietiekamu. Note Tradicionālais RAG pret 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 atbildes ir balstītas uz iepriekš definētu zināšanu bāzi, kuru tā var piekļūt Īpašs meklēšanas aģents stratēģiski plāno, izpilda un izsmalcina daudzpakāpju meklējumus dažādos avotos Autonomy Reaktīvā retrīve Proaktīva un autonoma atgūšana Complexity Vienkāršāk iestatīt pamata Q&A uzdevumiem. Sarežģītāka projektēšana un īstenošana, pateicoties vairāku aģentu un specializētu instrumentu orķestrēšanai Example "Kāda ir AI nākotne, ņemot vērā šo pētījumu rakstu saturu: <RESEARCH_PAPERS>?" Aģentu darba plūsmas uzdevums bija: "Apkopot jaunākās AI tendences no nesenajiem akadēmiskajiem rakstiem." In emojis ️ ️️️️️️ Kas jums nepieciešams, lai izveidotu aģentu AI un aģentu RAG darba plūsmas Līdz šim šī raksta stāsts var likt jums domāt, ka aģentu AI un aģentu RAG vienmēr ir augstāki par "tradicionālo" AI un RAG. Kaut arī šīs "agentiskās" AI un RAG pārinterpretācijas noteikti var piedāvāt labāku precizitāti un sarežģītāku automatizāciju, visa AI darba plūsmas veidošana ar vairākiem specializētiem aģentiem, kas runā viens ar otru, ne vienmēr ir labākā pieeja, it īpaši vienkāršiem uzdevumiem. Atcerieties, ka AI ir dzimis, lai vienkāršotu un automatizētu. Over-engineering it can definitely be counterproductive. Agentic AI un agentic RAG patiešām spīd, kad jūs Šajos scenārijos laiks un pūles, kas ieguldīti, lai izveidotu visu aģentu darba plūsmu, ir pilnīgi jēga. need to repeat elaborate actions or demand highly accurate results multiple times Tagad, pat ja jūs nolemjat, ka aģentu darba plūsma ir pareizais ceļš, to īstenošana ir pilnīgi atšķirīgs izaicinājums. 
 
 
 
 
 
 
 
 : 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! Citiem vārdiem sakot, lai patiešām īstenotu Agentic AI un RAG darba plūsmas bez pūlēm, jums vajadzētu piekļūt , tāpat kā to, ko piedāvā Bright Data, lai atbalstītu visu jūsu AI iniciatīvu dzīves ciklu! Visaptveroša AI un BI infrastruktūra AI un BI infrastruktūra https://www.youtube.com/watch?v=BfBofOssDkM&embedable=true Galīgās domas Tagad saprotiet, uz ko attiecas aģentiskais AI un aģentiskais RAG, kā tos īstenot un kā tie uzkrājas pret saviem "tradicionālajiem" kolēģiem. Kā mēs uzsvērām, lai dzīvotu šīs spēcīgās aģentu darba plūsmas, ir nepieciešama AI infrastruktūra, kas var atbalstīt jūsu AI aģentus un darba plūsmas no sākuma līdz beigām. Bright Data misija ir vienkārša: padarīt AI pieejamu ikvienam, visur.Tātad līdz nākamajai reizei – palieciet ziņkārīgi, palieciet drosmīgi un turpiniet veidot AI nākotni!

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.

Agentic AI un Agentic RAG: Hyped Buzzwords vai spēļu mainītāji?

About Author

KOMENTĀRI

PAKARINĀT TAGUS

ŠIS RAKSTS TIKS PĀRSTRĀDĀTS

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps