Retrieval-Augmented Generation (RAG) и построение Agentic RAG систем
Разберемся, как Retrieval-Augmented Generation помогает LLM моделям быть точнее, и научиться использовать Agentic RAG
Создание своего агента
14 уроков в разделе
Создаем своего мультиагента
Мультиагентная архитектура — это уже не один “ассистент”, а система нескольких агентов.
Создаем своего агента
Изучим лёгкий Python-фреймворк, который даёт LLM-модели «агентность»: мыслить шагами (Thought), вызывать инструменты (Action), читать результаты (Observation) и делать многошаговые задачи
Как работать над качеством агента, когда он встроен в продукт
как создать LLM-продукт, начиная с этапа разработки прототипа
Функции и где их задавать
Соберём ключевые функции и типы запросов, которые можно использовать при создании агента.
Что такое температура модели и функции модели
Изучим как управлять температурой модели и функциями
Dummy Agent: как построить простейшего агента с нуля
Но чтобы понимать как работает агент на самом деле, полезно собрать “пустого агента” вручную
Observe: как агент учится на результатах своих действий
Что сделать, чтобы агент был умным, а не просто выполнял команды
Действия: как агент взаимодействует с окружающей средой
В этом разделе мы рассмотрим конкретные шаги, которые выполняет AI-агент
Мыслительный процесс агента и подход ReAct
Изучим метод промпт-инжиниринга, который побуждает модель думать пошагово, прежде чем действовать
Понимание AI-агентов через цикл «Мысль — Действие — Наблюдение»
В этом уроке мы изучим полный рабочий цикл AI-агента
Что такое инструменты (Tools) в AI-агентах
Использование инструментов (Tools) в агентах