Agentic RAG چیست؟ جستجوی چندمرحله‌ای با ایجنت هوش مصنوعی

Agentic RAG پاسخی است به محدودیت‌های RAG معمولی. در قسمت ششم دیدیم RAG چطور متن‌های مرتبط را پیدا می‌کند و به مدل می‌دهد تا بر اساس آن‌ها جواب بدهد. اما RAG معمولی فقط یک بار جستجو می‌کند؛ آن هم با همان جمله‌ای که کاربر نوشته است. اگر آن یک جستجو نتیجه‌ی خوبی ندهد، پاسخ هم ضعیف می‌شود.

در این قسمت از مجموعه‌ی «از پرامپت تا دستیار هوش مصنوعی» ایجنت را مسئول جستجو می‌کنیم. ایجنتی که خودش تصمیم می‌گیرد چه چیزی را، کجا و چند بار جستجو کند. با smolagents دو نمونه می‌سازیم: یکی با جستجوی وب و دیگری با پایگاه دانش اختصاصی.

Agentic RAG چیست و چه مشکلی را حل می‌کند؟

سیستم RAG توانایی بازیابی داده و تولید متن را ترکیب می‌کند. پرسش کاربر به موتور جستجو می‌رود و نتایج همراه پرسش به مدل داده می‌شود. مدل پاسخ را بر اساس هر دو می‌سازد.

Agentic RAG همین سیستم را با ایجنت خودمختار ترکیب می‌کند. در RAG معمولی مدل فقط در مرحله‌ی تولید پاسخ نقش دارد. در Agentic RAG هم بازیابی و هم تولید زیر کنترل هوشمند ایجنت است.

محدودیت‌های RAG معمولی

RAG معمولی دو ضعف اصلی دارد. اول، به یک مرحله‌ی بازیابی متکی است. اگر همان یک جستجو اطلاعات کافی نیاورد، راهی برای جبران وجود ندارد. دوم، فقط بر شباهت معنایی مستقیم با پرسش کاربر تکیه می‌کند.

پرسش کاربر همیشه بهترین عبارت جستجو نیست. کاربر ممکن است محاوره‌ای بنویسد، چند سؤال را در یک جمله بپرسد یا اصطلاحی به کار ببرد که در اسناد نیامده است. در همه‌ی این حالت‌ها اطلاعات مرتبط ممکن است از دست برود.

ایجنت چطور کمک می‌کند؟

ایجنت می‌تواند خودش پرسش جستجو را بنویسد، نتایج بازیابی‌شده را نقد کند و اگر کافی نبود، دوباره و با عبارت دیگری جستجو کند. نتیجه پاسخی دقیق‌تر و کامل‌تر است.

جدول زیر تفاوت دو رویکرد را خلاصه می‌کند.

بازیابی ساده با جستجوی وب

با یک نمونه‌ی ساده شروع می‌کنیم. آلفرد برای مهمانی ابرقهرمانی عمارت وین ایده‌های لوکس می‌خواهد. ایجنتی می‌سازیم که با DuckDuckGo در وب جستجو کند:

from smolagents import CodeAgent, DuckDuckGoSearchTool, InferenceClientModel

agent = CodeAgent(model=InferenceClientModel(), tools=[DuckDuckGoSearchTool()])
response = agent.run(
    "Search for luxury superhero-themed party ideas, including decorations, entertainment, and catering."
)
print(response)

همین کد ساده یک Agentic RAG کامل است. تفاوتش با RAG معمولی این است که ایجنت تصمیم می‌گیرد چه عبارت‌هایی را جستجو کند و چند بار.

ایجنت چه مراحلی را طی می‌کند؟

ایجنت ابتدا درخواست را تحلیل می‌کند و عناصر کلیدی‌اش را تشخیص می‌دهد: مهمانی ابرقهرمانی لوکس با تمرکز بر تزئینات، سرگرمی و پذیرایی. بعد برای هر بخش جستجوی جداگانه‌ای انجام می‌دهد تا اطلاعات به‌روز و مرتبط جمع کند.

در مرحله‌ی بعد، نتایج را در یک برنامه‌ی منسجم و قابل اجرا ترکیب می‌کند. نتایج در حافظه‌ی ایجنت هم می‌ماند تا در قدم‌های بعدی یا برنامه‌ریزی‌های آینده از آن استفاده کند. این رفتار چندمرحله‌ای همان چیزی است که RAG معمولی ندارد.

ابزار پایگاه دانش اختصاصی

برای کارهای تخصصی، جستجوی وب کافی نیست. به پایگاه دانش خودتان نیاز دارید؛ مثلاً مستندات فنی، راهنمای محصول یا دانش داخلی شرکت. در این بخش ابزاری می‌سازیم که در یک پایگاه دانش اختصاصی جستجو می‌کند.

ساخت ابزار بازیابی با BM25

برای سادگی از بازیاب BM25 استفاده می‌کنیم. BM25 یک الگوریتم رتبه‌بندی کلمه‌محور است و به مدل Embedding نیاز ندارد. ابزار را به شکل زیرکلاس Tool می‌سازیم، همان روشی که در قسمت قبل دیدیم:

from langchain_community.retrievers import BM25Retriever
from smolagents import Tool

class PartyPlanningRetrieverTool(Tool):
    name = "party_planning_retriever"
    description = "Retrieves relevant party planning ideas for Alfred's superhero-themed party at Wayne Manor."
    inputs = {"query": {"type": "string", "description": "A query related to party planning or superhero themes."}}
    output_type = "string"

    def __init__(self, docs, **kwargs):
        super().__init__(**kwargs)
        self.retriever = BM25Retriever.from_documents(docs, k=5)

    def forward(self, query: str) -> str:
        docs = self.retriever.invoke(query)
        return "\nRetrieved ideas:\n" + "".join(f"\n\n===== Idea {i} =====\n{d.page_content}" for i, d in enumerate(docs))

بازیاب یک بار در سازنده ساخته می‌شود و در هر فراخوانی پنج سند مرتبط برمی‌گرداند. برای پروژه‌ی واقعی می‌توانید BM25 را با جستجوی برداری یا ترکیبی عوض کنید؛ بدون اینکه رابط ابزار تغییر کند.

آماده‌سازی اسناد و اجرای ایجنت

پایگاه دانش نمونه پنج ایده‌ی مهمانی دارد؛ از تزئینات و موسیقی تا پذیرایی و تجربه‌ی واقعیت مجازی. هر ایده به یک Document تبدیل می‌شود و با RecursiveCharacterTextSplitter به قطعه‌های حداکثر ۵۰۰ کاراکتری با ۵۰ کاراکتر هم‌پوشانی تقسیم می‌شود.

بعد ابزار را با اسناد پردازش‌شده می‌سازیم و به ایجنت می‌دهیم. حالا ایجنت اول در اسناد اختصاصی جستجو می‌کند، بینش‌های پایگاه دانش را ترکیب می‌کند و زمینه‌ی گفت‌وگو را در حافظه نگه می‌دارد. اگر لازم باشد، می‌توانید ابزار جستجوی وب را هم کنارش بگذارید تا ایجنت از هر دو منبع استفاده کند.

هفت راهبرد بازیابی پیشرفته

ایجنت در Agentic RAG می‌تواند از راهبردهای پیچیده‌تری برای بازیابی استفاده کند. این راهبردها کیفیت نتایج را به‌طور محسوسی بالا می‌برند. جدول زیر هر هفت راهبرد را همراه یک مثال نشان می‌دهد.

نکته‌های طراحی Agentic RAG

یک سیستم Agentic RAG مؤثر به چند نکته‌ی کلیدی نیاز دارد. این نکته‌ها تفاوت یک نمونه‌ی آزمایشی با یک سیستم قابل‌اعتماد را می‌سازند.

انتخاب ابزار، حافظه و راه جایگزین

ایجنت باید بر اساس نوع پرسش، ابزار درست را انتخاب کند. پرسش درباره‌ی سیاست‌های داخلی شرکت باید به پایگاه دانش برود، نه جستجوی وب. توضیح دقیق هر ابزار دقیقاً همین تصمیم را ممکن می‌کند.

حافظه هم جلوی جستجوهای تکراری را می‌گیرد. اگر ایجنت چیزی را قبلاً پیدا کرده، لازم نیست دوباره هزینه‌ی جستجو را بپردازد. راهبرد جایگزین هم ضروری است؛ اگر روش اصلی بازیابی شکست خورد، سیستم باید هنوز بتواند پاسخ مفیدی بدهد یا صادقانه بگوید اطلاعات کافی ندارد.

هزینه و تعادل

هر جستجوی اضافه و هر دور فکر ایجنت هزینه و زمان دارد. Agentic RAG برای پرسش‌های پیچیده و چندبخشی ارزشش را دارد. اما برای پرسش‌های ساده، RAG معمولی سریع‌تر و اقتصادی‌تر است.

یک راه عملی، مسیریابی است. پرسش‌های ساده به RAG معمولی بروند و فقط پرسش‌های پیچیده به ایجنت. سقف تعداد قدم را هم همیشه تعیین کنید تا ایجنت در جستجوهای بی‌پایان گیر نکند.

تمرین عملی؛ دستیار دوره‌ها با Agentic RAG

دستیار پروژه‌ی مشترک را به یک Agentic RAG تبدیل کنید:

1. توضیح کامل دوره‌ها را به Document تبدیل و با BM25 یک ابزار بازیابی بسازید.
2. DuckDuckGoSearchTool را هم به ایجنت بدهید تا بتواند نظرات کاربران درباره‌ی یک فناوری را از وب پیدا کند.
3. پرسش چندبخشی بپرسید: «یک دوره‌ی هوش مصنوعی مبتدی پیشنهاد بده و بگو این حوزه چه آینده‌ی شغلی‌ای دارد.»

در گزارش اجرا بررسی کنید ایجنت پرسش را چطور تجزیه کرد و برای هر بخش از کدام ابزار استفاده کرد. اگر برای بخش دوم سراغ پایگاه دانش رفت، توضیح ابزارها را دقیق‌تر کنید.

سخن پایانی

Agentic RAG کنترل جستجو را به ایجنت می‌سپارد. ایجنت پرسش را بازنویسی و تجزیه می‌کند، از چند منبع جستجو می‌کند، نتایج را می‌سنجد و اگر لازم باشد دوباره جستجو می‌کند. نتیجه پاسخ‌هایی کامل‌تر و دقیق‌تر است؛ به قیمت هزینه و زمان بیشتر. هنر طراحی این است که بدانید کدام پرسش به این قدرت نیاز دارد و کدام با RAG ساده هم حل می‌شود.

در قسمت شانزدهم ایجنت را به مدل‌های بینایی-زبانی مجهز می‌کنیم تا تصویر را هم بفهمد.

این آموزش بر پایه‌ی بخش Building Agentic RAG Systems از دوره‌ی آزاد Agents Course در Hugging Face (مجوز Apache-2.0) به فارسی بازنویسی و تکمیل شده است.