Különböző visszakeresési stratégiákat vizsgálva az utóbbi hónapokban, a szerző folyamatosan keresett hatékony módszereket arra, miként tehetné AI-ügynökeit képessé saját tudásbázisuk hatékony feltérképezésére. Két fő stratégia, az agentikus RAG és a tudásgrafok, kiemelt hangsúlyt kapnak, hiszen ezek kombinációjával erős tudásvisszakereső rendszerek alakíthatók ki AI-ügynökök számára.
A videóban egy demón keresztül mutatja be, miként használható egyszerre vektoradatbázis és tudásgráf, hogy különböző típusú lekérdezéseket hatékonyan válaszoljon meg az ügynök. Például, ha egy adott vállalatról keresünk információt, a vektoradatbázis a leghasznosabb, míg a vállalati kapcsolatok feltérképezésére a grafalapú megközelítés az ideális.
A technológiai részletek tárgyalásakor kitér olyan közkedvelt eszközökre, mint a PostgreSQL PG Vector, Neo4j, FastAPI, valamint a Pydantic AI és Graffiti könyvtárak. Ezek együttesen adják az agentikus RAG-ügynökök mögött álló technológiai háttér gerincét.
A beállítási útmutató lépésről lépésre vezeti végig a nézőt az agentikus rendszer telepítésén. Érdekességként a szerző bemutatja saját folyamatát is, amely során AI-kódolási asszisztenst – konkrétan Claude Code-ot – használt az agentikus rendszer kidolgozásához. Felvetődik több kérdés is: Hogyan dönti el az ügynök, mikor melyik keresési stratégiát alkalmazza? Miként egészítik ki egymást a különféle keresési paradigmák? Mennyi autonómiát kapjon az AI, amikor tudásbázisban navigál?
