Generative KI auf AWS

Kapitel 9. Kontextabhängige Reasoning-Anwendungen mit RAG und Agenten

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In diesem Kapitel erfährst du, wie alles zusammenbringt, was du bisher gelernt hast, um kontextabhängige Anwendungen zu entwickeln. Dazu beschäftigst du dich mit Retrieval-Augmented Generation (RAG) und Agenten. Außerdem lernst du die Frameworks LangChain, ReAct und PAL kennen, mit denen sich RAG- und Agenten-Workflows viel einfacher implementieren und warten lassen. Sowohl RAG als auch Agenten sind oft Schlüsselkomponenten einer generativen KI-Anwendung.

Mit RAG erweiterst du den Kontext deiner Eingabeaufforderungen um relevante Informationen, um die Wissensbeschränkungen von LLMs auszugleichen und die Relevanz der vom Modell generierten Ergebnisse zu verbessern. RAG erfreut sich zunehmender Beliebtheit, weil es Herausforderungen wie Wissensabschneidungen und Halluzinationen wirksam abmildert, indem es dynamische Datenquellen in den Kontext der Eingabeaufforderung einbezieht, ohne dass das Modell ständig feinabgestimmt werden muss, wenn neue Daten in dein System eintreffen.

RAG kann mit Basismodellen von der Stange oder mit fein abgestimmten und von Menschen geprägten Modellen integriert werden, die speziell auf deinen generativen Anwendungsfall und deine Domäne zugeschnitten sind.

Hinweis

RAG und Feinabstimmung können zusammen verwendet werden. Sie schließen sich nicht gegenseitig ...