详细内容或原文请订阅后点击阅览
停止为您的 AI 代理提供搜索框，并开始为其提供键入工具、硬边界和无法逾越的大门
当你停止提供模型上下文并让它自己寻找自己的内容，在严格的限制内遍历知识图时会发生什么，以及四个模型和一个错误的预测揭示了这是否值得做。停止给你的人工智能代理一个搜索框并开始给它输入类型的工具，硬边界和一个它不能说话的门首先出现在走向数据科学上。
来源:走向数据科学在本系列的第二篇文章中，我退役了查询路由器，并使检索成为一个固定的融合管道，其中每个问题都运行混合搜索和类型图遍历。联合会重新排序一次，关系路径可见，并且接地束将这些路径作为证据。我将其部署在第一篇文章堆栈旁边的 Azure 上，通过它运行相同的合成保险语料库，并测量发生了什么变化。相同文档上的实体碎片从 149 个机器提取的概念下降到 120 个。矛盾检测器在未询问的情况下在种子期间触发。系统现在运行自己的图表。
它仍然无法确定一次步行还不够。
这句话是第三篇文章存在的全部原因，所以让我准确地说一下。我构建的管道是固定的：一次检索，然后一代。答案所需的一切都必须在任何推理开始之前由尚未推理的系统获取。对于大多数问题来说，这是完全正确的，因为它快速、便宜、可审计且可预测。但是有一类问题是，只有在部分理解了已经检索到的内容后，您才会发现要检索什么，对于此类问题，无论其单遍有多好，固定管道都是错误的形状。
对此问题的流行答案是人工智能代理，我将诚实地表达我对使用这个词的犹豫。现在在“agentic RAG”下发布的大部分内容都是固定在矢量搜索上的重试循环、框架教程或没有运行系统的评论文章。我不想添加到那堆东西中。因此，本文以我所知道的唯一方式认真对待代理问题，精确定义设计，命名可能证明其错误的实验，在与前两部分相同的语料库和相同的 Azure 堆栈上运行它们，并报告数字，包括那些不符合该想法的数字。
目录
工具
差异
0