Generación Aumentada por Recuperación con Agentes (RAG Agéntico)

En esta unidad, veremos cómo podemos usar RAG Agéntico para ayudar a Alfred a prepararse para la increíble gala.

Sabemos que ya hemos discutido la Generación Aumentada por Recuperación (RAG) y RAG agéntico en la unidad anterior, así que siéntete libre de avanzar si ya estás familiarizado con los conceptos.

Los LLMs están entrenados en enormes volúmenes de datos para aprender conocimiento general. Sin embargo, el modelo de conocimiento del mundo de los LLMs no siempre puede contener información relevante y actualizada. RAG resuelve este problema encontrando y recuperando información relevante de tus datos y enviándola al LLM.

RAG

Ahora, piensa en cómo funciona Alfred:

  1. Le hemos pedido a Alfred que ayude a planificar una gala
  2. Alfred necesita encontrar las últimas noticias e información meteorológica
  3. Alfred necesita estructurar y buscar la información de los invitados

Así como Alfred necesita buscar en la información de tu hogar para ser útil, cualquier agente necesita una manera de encontrar y comprender datos relevantes. RAG Agéntico es una forma poderosa de usar agentes para responder preguntas sobre tus datos. Podemos proporcionar varias herramientas a Alfred para ayudarlo a responder preguntas. Sin embargo, en lugar de responder automáticamente a la pregunta basada en documentos, Alfred puede decidir usar cualquier otra herramienta o flujo para responder la pregunta.

RAG Agéntico

¡Comencemos a construir nuestro flujo de trabajo de RAG agéntico!

Primero, crearemos una herramienta RAG para recuperar detalles actualizados sobre los invitados. Luego, desarrollaremos herramientas para búsqueda web, actualizaciones meteorológicas y estadísticas de descargas de modelos de Hugging Face Hub. Finalmente, integraremos todo para dar vida a nuestro agente RAG agéntico!

< > Update on GitHub