Nehmen Sie an unserem neuen Kurzkurs teil und lernen Sie von Jerry Liu, Mitbegründer und CEO von LlamaIndex, wie Sie mit der Verwendung von agentic RAG beginnen, einem Framework, das entwickelt wurde, um Forschungsagenten zu bauen, die in der Verwendung von Werkzeugen, der Argumentation und der Entscheidungsfindung mit Ihren Daten erfahren sind. In diesem Kurs: 1. Bauen Sie die einfachste Form von agentenbasiertem RAG - einen Router. Bei einer Anfrage wählt der Router eine von zwei Abfrage-Engines, Q&A oder Zusammenfassung, um eine Anfrage über ein einzelnes Dokument auszuführen. 2. Fügen Sie Ihrem Router-Agenten Werkzeugaufrufe hinzu, wobei Sie einen LLM verwenden werden, um nicht nur eine auszuführende Funktion auszuwählen, sondern auch ein Argument abzuleiten, das an die Funktion übergeben werden soll. 3. Bauen Sie einen Recherche-Assistenten. Anstelle des Werkzeugaufrufs in einer einmaligen Einstellung ist ein Agent in der Lage, über Werkzeuge in mehreren Schritten nachzudenken.

4. Erstellen Sie einen Multi-Dokument-Agenten, bei dem Sie lernen, wie Sie den Recherche-Agenten so erweitern können, dass er mit mehreren Dokumenten umgehen kann. Im Gegensatz zur Standard-RAG-Pipeline, die für einfache Abfragen über einige wenige Dokumente geeignet ist, passt sich dieser intelligente Ansatz auf der Grundlage der anfänglichen Ergebnisse an, um die weitere Datenabfrage zu verbessern. Sie werden lernen, einen autonomen Forschungsagenten zu entwickeln, der Ihre Fähigkeit verbessert, mit Ihren Daten umzugehen und sie umfassend zu analysieren. Sie werden üben, Agenten zu erstellen, die in der Lage sind, intelligent zu navigieren, Informationen zusammenzufassen und über mehrere Forschungspapiere von arXiv hinweg zu vergleichen. Außerdem lernen Sie, wie Sie diese Agenten debuggen können, um sicherzustellen, dass Sie ihre Aktionen effektiv steuern können. Erforschen Sie eine der am schnellsten voranschreitenden Anwendungen von agentenbasierter KI!