Utilizzo degli agenti LangChain ReAct per rispondere a domande multi-hop nei sistemi RAG | della Dott.ssa Varshita Sher | Febbraio 2024 | Intelligenza-Artificiale

#LLM PER PRINCIPIANTI

Utile quando si risponde a domande complesse su documenti interni in modo passo passo con gli agenti ReAct e Open AI Tools.

I chatbot RAG di base che ho creato in passato utilizzando componenti LangChain standard come vectorstore, retriever, ecc. hanno funzionato bene per me. A seconda del set di dati interno che inserisco, sono in grado di gestire domande umili come “Qual è la politica sul congedo parentale in India” (set di dati di origine: documenti sulla politica delle risorse umane), “Quali sono le principali preoccupazioni riguardo al sapore del nostro prodotto” (set di dati di origine: social media/Tweet), “Quali sono i temi nei dipinti di Monet” (set di dati di origine: Art Journals), ecc. Più recentemente, la complessità delle domande che gli vengono inviate è aumentata, ad esempio, “C’è stato un aumento delle preoccupazioni riguardo al sapore nell’ultimo mese”. A meno che non ci sia una sezione specifica nei documenti interni che parli specificamente del confronto, è altamente improbabile che il chatbot visualizzi la risposta corretta. Il motivo è che la risposta corretta richiede che i seguenti passaggi siano pianificati/eseguiti sistematicamente:

• PASSO 1: calcolare il inizio data e FINE data basata sull’“ultimo mese” e sulla data odierna
• PASSO 2: recupera le query che menzionano problemi di sapore per il inizio data
• STEP 3: conta le query dello Step 2
• PASSO 4: recupera le query che menzionano problemi di sapore per il FINE data
• STEP 5: conta le query dello Step 4
• FASE 6: calcolare l’aumento/diminuzione percentuale utilizzando i conteggi della Fase 3 e della Fase 5.

Fortunatamente per noi, gli LLM sono molto bravi in ​​questo pianificazione! E gli agenti Langchain sono quelli che orchestrano questa pianificazione per noi.

L’idea centrale degli agenti è quella di utilizzare un modello linguistico per scegliere una sequenza di azioni da intraprendere. Negli agenti, un modello linguistico viene utilizzato come motore di ragionamento per determinare quali azioni intraprendere e in quale ordine. (Fonte)