Kapitel 4. Agentische Systeme entwickeln
Kapitel 4
Agentische Systeme erstellen
Selbst wenn man bedenkt, dass LLMs echt leistungsstark sind, gibt es Grenzen dafür, was man mit einem einzigen LLM-Aufruf erreichen kann. Nehmen wir zum Beispiel an, du benutzt ein Basismodell, das mit Daten bis Oktober 2024 trainiert wurde, und stellst ihm eine Frage zum Schach. Keine Antwort dieses Modells wird widerspiegeln, wer die Schachweltmeisterschaft gewonnen hat, die im November 2024 angefangen hat.
Agentische Systeme bieten Möglichkeiten, diese und andere Einschränkungen von LLMs zu umgehen. Wir bezeichnen die Software, die GenAI einsetzt, um einen einzelnen Schritt einer mehrstufigen Anwendung zu automatisieren, als Agenten. Die gesamte Anwendung bezeichnen wir als agentisch. In diesem Kapitel befassen wir uns mit dem Aufbau agentischer Systeme (siehe Abbildung 4-1). Wir besprechen, wie man Agenten implementiert, die mehrere Schritte umfassen, und behandeln dann zwei spezifische Arten von Agenten, RAG-Agenten und SQL-Agenten, die in der Praxis äußerst nützlich sind. Mit RAG-Agenten können wir LLMs mit neuen Daten versorgen, auf die sie während des Trainings keinen Zugriff hatten. SQL-Agenten ermöglichen es dem LLM, auf Datenbanken mit strukturierten, oft vertraulichen Daten zuzugreifen.
In Kapitel 2 haben wir besprochen, wie man GenAI als Laie (über die Chat-Schnittstellen zu ChatGPT, Gemini, Meta AI und ähnlichen) und als Softwareentwickler (über die API) nutzen kann. Gegen Ende des ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access