‫چارچوب عامل مایکروسافت: افزودن RAG به عامل هوش مصنوعی با استفاده از TextSearchProvider و فروشگاه برداری در حافظه

مایکروسافت چارچوب عامل (Microsoft Agent Framework) به توسعه‌دهندگان اجازه می‌دهد تا با استفاده از تکنیک بازیابی تقویت‌شده با تولید (RAG)، عامل‌های هوش مصنوعی خود را به اسناد اختصاصی خود متصل کنند. این رویکرد به عامل‌ها امکان می‌دهد تا به سؤالات بر اساس محتوای شما پاسخ دهند، نه فقط دانش عمومی که در داده‌های آموزشی مدل‌های زبانی بزرگ (LLM) وجود دارد. RAG با بازیابی اسناد مرتبط در زمان اجرا و تزریق آن‌ها به زمینه مدل، محدودیت‌های LLMها را برطرف می‌کند. این امر به عامل‌ها کمک می‌کند تا سؤالات را بر اساس اسناد خاص پاسخ دهند، منابع را برای تأیید اطلاعات ارائه دهند و از توهم (hallucination) با محدود کردن پاسخ‌ها به محتوای شناخته شده جلوگیری کنند. همچنین، RAG به عامل‌ها کمک می‌کند تا با دانش به‌روز بمانند بدون نیاز به آموزش مجدد مدل‌های زیربنایی. در این مثال، از TextSearchProvider برای جستجوی برداری در فروشگاه اسناد و تزریق نتایج مطابقت‌دهنده به گفتگو به عنوان پیام‌های زمینه اضافی استفاده می‌شود. برای این منظور، از InMemoryVectorStore از بسته NuGet Microsoft.SemanticKernel.Connectors.InMemory استفاده شده است. این فروشگاه برداری در حافظه است، اما می‌توان آن را با سایر فروشگاه‌های برداری مانند Azure AI Search، Qdrant یا Pinecone جایگزین کرد که از انتزاع‌های Microsoft.Extensions.VectorData پیروی می‌کنند. این رویکرد به ویژه برای سناریوهایی مفید است که در آن عامل هوش مصنوعی باید به سؤالات بر اساس مستندات خاص پاسخ دهد، منابع را برای تأیید اطلاعات ارائه دهد و از ارائه پاسخ‌های نادرست جلوگیری کند. با استفاده از RAG، توسعه‌دهندگان می‌توانند عامل‌های هوش مصنوعی خود را با دانش اختصاصی خود غنی کنند و دقت و قابلیت اطمینان آن‌ها را بهبود بخشند.