RAG agentique

Dans cette unité, nous allons examiner comment nous pouvons utiliser le RAG agentique pour aider Alfred à préparer l’incroyable gala.

Nous avons déjà discuté du RAG et du RAG agentique dans l'unité précédente, donc n'hésitez pas à passer directement à la suite si vous êtes déjà familier avec ces concepts.

Les LLM sont entraînés sur d’énormes corpus de données pour apprendre des connaissances générales. Cependant, ce modèle de connaissance du monde peut ne pas toujours être des informations pertinentes et à jour. Le RAG résout ce problème en trouvant et récupérant des informations pertinentes à partir de vos données et en les transmettant au LLM.

RAG

Maintenant, pensez à comment Alfred fonctionne :

  1. Nous lui avons demandé d’aider à planifier un gala
  2. Il doit trouver les dernières nouvelles et informations météorologiques
  3. Il doit structurer et rechercher les informations sur les invités

Tout comme Alfred a besoin de chercher dans vos informations domestiques pour être utile, tout agent a besoin d’un moyen de trouver et comprendre les données pertinentes. Le RAG agentique est un moyen puissant d’utiliser les agents pour répondre aux questions sur vos données. Nous pouvons passer divers outils à Alfred pour l’aider à répondre aux questions. Cependant, au lieu de répondre automatiquement à la question sur la base de documents, Alfred peut décider d’utiliser tout autre outil ou flux pour répondre à la question.

RAG agentique

Commençons à construire notre workflow de RAG agentique !

Tout d’abord, nous allons créer un outil de RAG pour récupérer les détails à jour sur les invités. Ensuite, nous développerons des outils pour la recherche web, les mises à jour météorologiques et les statistiques de téléchargement de modèles sur le Hub d’Hugging Face. Enfin, nous intégrerons le tout pour donner vie à notre agent de RAG agentique !

< > Update on GitHub