О чём урок
Adaptive RAG — это стратегия для RAG, которая объединяет (1) анализ запросов с (2) активным / самокорректирующимся RAG.
В статье они сообщают об анализе запросов для маршрутизации по:
- Без извлечения (ответы LLM)
- Однократный RAG
- Итеративный RAG
Мы будем использовать Command R+, недавний релиз от Cohere, который:
- Обладает высокой точностью в RAG, использовании инструментов и агентах
- Имеет контекст 128k
Сохраните свои учетные данные в файле .env в корневом каталоге пользователя, чтобы вы могли безопасно их извлекать
Агент ReAct будет оснащен этими инструментами. Модель может выбирать между
- веб-поиск
- RAG: извлечение из векторного хранилища
- пользовательский инструмент (вызов внешнего API)
- прямой ответ
Модель может использовать любой из этих инструментов, в любой последовательности шагов, и саморефлексировать.
- Определите функцию
- Определите пользовательский инструмент
Модель может разумно выбирать подходящие инструменты для запроса пользователя, вызывать их в любой последовательности шагов, анализировать результаты и саморефлексировать.
Давайте зададим вопрос, требующий веб-поиска.
Давайте зададим вопрос, требующий извлечения RAG из векторной базы данных.
Давайте зададим вопрос, требующий рыночной капитализации.
Давайте зададим вопрос, требующий интернет-поиска.
План урока
- Инструмент веб-поиска
- Инструмент интерпретатора Python
- Инструмент RAG
- Пользовательский инструмент для рыночной капитализации
Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.