Here we go again! Ang isa pang wave ng mga bagong mga termino ay gumagawa ng mga ripples sa buong komunidad ng AI. Pag-atake sa lahat ng mga trend na ito ay maaaring maging mahirap (karamihan kapag maraming mga ito ay, mag-iisa, lamang ang buzzwords! 😏) Sa ngayon, ang latest trend ay isang Tingnan ang iba, at makikita mo ang lahat tungkol sa Lahat ng mga kumpanya ay lumikha ng mga ito, naglalakbay sa, o sa halos gusto. agentic approach to AI ang mga agente Ngunit ay ang real future? O lamang ang higit pang hype upang wade through? 🤔 Well, magsimula ang pagbabasa upang malaman! Mga pahinang tumuturo sa agentic AI at agentic RAG Mula sa "traditional" AI sa isang Bagong Agensya Approach Ang AI ay nag-evolve sa isang break-neck rate, at kahit na ito ay magiging mahirap upang sabihin ito, maaari naming mag-reference sa ilang mga paraan bilang "traditional AI"! Kami ay nagsasalita tungkol sa lahat ng mga integrations ng LLM na nakita namin sa mga nakaraang ilang buwan (I mean, kahit Paint ay may mga tampok ng AI!). Ngayon, tulad ng ito ay karaniwang gumaganap kapag ang isang bagong teknolohiya o cool feature / practice ay dumating, lahat ay nais na pumunta sa board. ang app suddenly ay may “Reels” o ilang spin-off? Yeah, na frenzy. 😉) ang lahat Sa paglipas ng panahon, ang teknolohiya mismo ay nag-evolve, at ang mga gumagamit at ang merkado ay tumutukoy na kung ano ang mga application ay talagang mahalaga na pag-explore at makikita. Kaya, ito ay hindi mahirap na sa nakaraang ilang linggo, kami ay bumabalik sa higit sa mga nakaraang AI approaches sa isang bagay na mas dinamician: ang Agentic AI and Agentic RAG Pag-iisip ng "traditional AI" at mga nakaraang integrasyon ng LLM tulad ng isang brilliant ngunit medyo passive assistant. Ipinapakita mo ito ng isang tanong, at ito ay magbibigay sa iyo ng isang solusyon. Halimbawa, ibig sabihin mo sa isang chatbot, "Ano ang oras?" at ito ay nagsasabi sa iyo. Simple, direct, at epektibo para sa maraming mga gawain. ️ Ano ang kailangan natin? at kung ano ang kailangan natin? Ngayon, hindi lamang ang more! sa Tungkol sa Kailangan namin ng mga sistema na maaaring mag-plano, i-execute ang multi-step tasks, mag-interact sa mga application, self-correct, mag-connect sa mga tool ( ), at maraming higit pa. Sa pamamagitan ng mga bagong protocol! This is where agentic AI and agentic RAG workflows step in! Sa halip ng simpleng tumugon, ang isang agensyal na sistema ng AI ay nagtatrabaho bilang isang proactive problem-solver superhero. Bakit ito ay ang kabuuan ng AI o lamang ang hype? Decoding Agentic AI: Ano ang Hype tungkol sa? Ito ay ang oras upang pumunta sa mas mabuti sa mundo ng agentic AI . Paglalarawan ng mga agent na AI Ano ang exact Imagine ang iyong kasalukuyang AI assistant, ngunit supercharged na may . ay ability to think, plan, and act autonomously to achieve complex goals Ito ay hindi lamang ang pagbabago ng mga tanong; ito ay actively problem-solving batay sa isang ibig sabihin!  + 💪 Sa kanyang core, agentic AI ay gumagamit ng LLMs integrated sa " ️ ♂️ ang mga agente ang mga Ang maliliit na negosyo sa mga sumusunod na sektor ay kinakailangan: pagproseso ng produktong agrikultural ( ) upang kumpletuhin ang micro task - ang lahat ng ito ay autonomously! ang mga agente Karamihan sa mga integrations ng MCP Kapag nakumpleto ang lahat ng mga individual na mga hakbang at isang mahusay na resulta ay natagpuan, ang agent integrates ang mga resulta upang magbigay ng isang katapusan na resulta. Ito ay maaaring maging generating content—mga tulad ng regular na mga LLM ay gawin (agaw na may higit pa sa mga resulta dahil sa multi-step proseso)—o kahit na pagganap ng real-world operations tulad ng pagbili ng mga grocery online para sa iyo, ayon sa isang shopping list. Paano gawin ito Ito ay isang malaking termino, at para sa isang mahusay na dahilan - mayroong maraming mga paraan upang lumikha ito sa buhay! Ang mga agente Sa karamihan ng mga scenario, ang isang AI agent ay hindi gumagana sa isolation. Sa halip, ito ay orchestrated multiple (Hindi naman, dahil sa mga protocol na Ang bawat sub-agent ay karaniwang na-powered sa pamamagitan ng isa o higit pa ng LLMs at na-equipped sa mga espesyalista na mga tool upang makakuha ng anumang mga target. sub-agents Mga pahinang tumuturo sa A2A Dahil sa essence, sa loob Agentic AI means orchestrating LLMs and the tools they can connect to into a goal-driven workflow Sa pananampalataya na ito ng bagong border, ang ilang posible na mga arkitektura ay nagsisimula: 
 
 
 
 
 Sequential Agents: Ang isang agente ay kumpletong isang trabaho, pagkatapos ay na-transmit ang kanyang output sa susunod na agente sa chain. Agent 1 ➡️ Agent 2 ➡️ ... Loop Agents: I-imagine ng isang agent na i-execute ang kanyang sub-agents nang higit pa, o para sa isang set na bilang ng iterations o hanggang sa isang spesifikal na kondisyon ay matatagpuan. Parallel Agents: Para sa mga gawain na maaaring gawin independently, sub-agents ay gumagana simultaneously upang pag-accelerate ang proseso! at higit pa... Ang pangunahing ideya ay upang bumuo ng isang multi-step workflow kung saan mataas na mga agensya (na nagkakahalaga sa solusyon ng anumang mga trabaho) ay magtrabaho kasama. Ang mga bagay ay mas madaling maunawaan sa isang real-world na halimbawa: Tingnan sa loob ng isang taon kung paano mo bumuo ng isang journalist AI agent gamit ang tatlong sub-agents Mga pahinang tumuturo sa agentic 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 Karaniwang, integration sa isang single LLM Ang isang set ng AI-orchestrated mga agens, ang bawat isa ay integrated sa kanyang sarili na LLMs at mga espesyalista na mga tool Core function I-generate ang content sa pamamagitan ng answering queries Proactive problem-solving na nag-focused sa pagganap ng mga kompleksong mga target Autonomy Reactive; naghintay para sa eksplicit na instruksiyon Autonomous; plan, executes, at self-correct Task handling Single-step tasks o simple sequences Complex, multi-step workflows kung saan ang mga problema ay binubuo. Tool usage posibleng integrasyon Extensive integration sa external tools, APIs, at higit pa sa pamamagitan ng AI protocols tulad ng MCP Interaction Basahin ang text-in, text-out Mag-interact sa mga application, real-world systems, at iba pang mga agens Example "Give me the best places I should see sa aking 3-day trip sa Miami" Ang isang AI vacation planner ay naghahanap para sa bagong at bagong mga lugar upang bisitahin sa iyong paglipad, habang simulan ang booking ng mga flight, mga hotel, at bumili ng tiket para sa mga pagpipilian ng mga pakikipagsapalaran para sa iyo Best analogy isang matinding assistant Ang isang high-skilled project manager o isang team ng mga espesyalista In emojis ang + Unpacking Agentic RAG: Ano ang kailangan mong malaman Ang oras upang i-explore ang agentic RAG, ang bagong border ng retrieval-augmented generation. Ano ang Ngunit, ikaw ay narinig ng Ito ay tulad ng nagbibigay ng isang LLM ng isang super-powered library card upang makahanap ng aktibong, freshly, at mataas na katulad na impormasyon bago ito lumikha ng isang solusyon. Ang RAG (Retrieval-Augmented Generation) ay isang Ito ay mahusay para sa grounding LLMs, ngunit may isang catch: sa loob you had to find and pass that content to the AI yourself Well, agentic RAG takes that concept and injects some serious autonomy! Ang pangunahing ideya dito ay ang Ito ay nangangahulugan na ikaw ay may isang agent-based system na maaaring strategically plan ang kontekstong data retrieval. apply agentic AI principles directly to the RAG workflow Tingnan ito bilang may isang dedicated AI research engine! Ang agent na ito ay hindi lamang passively search. Sa halip, ito ay gumaganap ng maraming targeted searches , intelligently assesses ang kalidad ng impormasyon na ito makikita, at kahit na refines ang kanyang mga queries sa fly batay sa kung ano ito nakikita. Ang proactive na proseso na ito ay nangangahulugan na ang agentic RAG system ay maaaring maghanap, malaman, at piliin ng mataas na kalidad na nilalaman lahat sa kanyang sarili. Ang meticulously curated impormasyon ay pagkatapos ay ibinigay sa mga iba pang mga agens sa workflow, na nagbibigay-daan sa kanila upang lumikha ng mas mataas na katangian at nuanced mga resulta. Paano upang i-implementate ito Ang pag-implementasyon ng agentic RAG ay tumutulong sa pag-disenyo ng isang espesyalista na "recovery agent" na may mga LLM at ang parehong mga tool upang makipag-ugnayan sa at i-extract data mula sa iba't ibang mga source tulad ng databases, web APIs, at pangunahing database ng kumpanya. Ang maliliit na agent na ito ay magtatrabaho sa mga heavy lifting: 
 
 
 
 
 I-convert ang prompt sa optimized search queries. Ipatupad ang mga paghahanap sa lahat ng mga source na may access sa (potensial na kahit sa parallel! ). I-evaluate ang relevance ng na-recovered content. Summarize ang nakuha, mataas na kalidad na impormasyon. Ngayon ay, (o iba pang mga espesyalista na mga agente) upang gamitin ang data na ito upang gumawa ng final output. the meticulously curated information is then passed to a "generation agent" ️ : Step 1-3 ay maaaring i-repeat ng ilang beses sa pamamagitan ng AI orchestrator kung ang na-extracted na nilalaman ay hindi tinatanggap na totoo o katumbas na. Note Mga pahinang tumuturo sa 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 Ang mga solusyon ng LLM ay binubuo sa isang pre-defined knowledge base na ito ay maaaring mag-access Ang isang dedicated retrieval agent strategically plan, executes, at refines multi-step search sa iba't ibang mga source Autonomy Reaksiyon ng retrieval Proactive at autonomous retrieval Complexity Simpleng i-set up para sa mga pangunahing Q&A tasks. Higit pang-kompleks para sa disenyo at pag-implementasyon dahil sa orchestrasyon ng maraming mga agens at mga espesyalista na mga tool Example "Ano ang kabuuan ng AI dahil sa nilalaman sa mga pananaliksik na ito: <RESEARCH_PAPERS>?" Ang isang workflow ng mga agente ay nakatuon sa: "Summarize ang pinakabagong mga trend sa AI mula sa mga pinakabagong akademic papers." In emojis ️ Sa loob ng isang taon na ang nakalipas Ano ang kailangan mo upang bumuo ng Agentic AI at Agentic RAG workflows Sa ngayon, ang pag-aralan sa artikulong ito ay maaaring gumagawa sa iyo na naniniwala na ang agentic AI at agentic RAG ay palaging mas mataas kaysa sa "traditional" AI at RAG. Habang ang mga "agnetic" reinterpretations ng AI at RAG ay maaaring siguradong magbigay ng mas mahusay na presyon at mas karaniwang automation, pagbuo ng isang buong workflow ng AI na may higit sa isang iba't-ibang mga espesyalista na mga agens na nagsasalita sa bawat isa ay hindi pa rin ang pinakamahusay na paraan - lalo na para sa simpleng mga trabaho. Tandaan, ang AI ay ipinanganak upang simplising at automatize. ang Over-engineering it can definitely be counterproductive. Agentic AI at agentic RAG ay tunay na lumilitaw kapag ikaw ay Sa mga scenario na ito, ang oras at pag-invest sa pagbuo ng buong agent-based workflow ay may perfect na logic. need to repeat elaborate actions or demand highly accurate results multiple times Pero kapag nalaman niyang nakilala mo siya dahil binasa mo ang diary... get ready for the consequences. 
 
 
 
 
 
 
 
 : 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! Sa iba pang mga salita, upang i-implementate ang mga workflows ng Agentic AI at RAG nang walang effort, kailangan mo ng access sa , tulad ng kung ano ang nag-aalok ng Bright Data, upang suportahan ang buong lifecycle ng iyong AI initiatives! isang komprehensibong Mga Infrastruktura ng AI at BI Mga Infrastruktura ng AI at BI https://www.youtube.com/watch?v=BfBofOssDkM&embedable=true Final na mga ideya Ngayon malaman kung ano ang agentic AI at agentic RAG ay sumusunod sa, kung paano i-implementate ang mga ito, at kung paano sila mag-stack up laban sa kanilang "traditional" counterparts. You are fully up-to-date with the latest directions in the AI evolution! Tulad nila Tirso at Lyn ang mga anak nila, very friendly at magalang. Sa Bright Data, ang aming misyon ay simpleng: upang lumikha ng AI para sa lahat, sa lahat ng lugar. Kaya hanggang sa susunod na pagkakataon - magkakaroon ka ng kasiyahan, magkakaroon ka ng kapayapaan, at patuloy na bumuo ng kalayaan ng AI!

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 at Agentic RAG: Hyped Buzzwords o Game-changers?

About Author

MGA KOMENTO

HANG TAGS

ANG ARTIKULONG ITO AY IPINAKITA SA

Related Stories

Hosting a DNS domain on the blockchain

How I deployed my spark document classification(Logistic Regression) model/s as a standalone app…

State of the Noonion: The Year of Profitability and Product Renaissance

COVID-19: We Need More Than Data, We Need Insights!

Hosting a DNS domain on the blockchain

How I deployed my spark document classification(Logistic Regression) model/s as a standalone app…

State of the Noonion: The Year of Profitability and Product Renaissance

COVID-19: We Need More Than Data, We Need Insights!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps