* 在 llamaindex 中叫做 Data Agents * https://blog.llamaindex.ai/data-agents-eed797d7972f * https://docs.google.com/presentation/d/1rFQ0hPyYja3HKRdGEgjeDxr0MSE8wiQ2iu4mDtwR6fc/edit#slide=id.g2a10a510c4b_0_316 * https://www.youtube.com/watch?v=lsKUqO5R8Ig * 多 agent 代表不同資料 source * https://cobusgreyling.substack.com/p/openai-agent-query-planning-using?r=n7rpi&utm_campaign=post&utm_medium=web * [[Building Agentic RAG with Llamaindex]] 課程 ## Embrace agent design 這是一個簡單版本，感覺就是一個使用 function calling 的標準 RAG agent 型態，很容易實作。 https://medium.com/data-science-at-microsoft/forget-rag-embrace-agent-design-for-a-more-intelligent-grounded-chatgpt-6c562d903c61 Q: parallel function calling 下去，有沒有辦法一次拆解多個 sub questions ? ihower: 經實驗可以喔 Q: 可以自動多次觸發多跳嗎? 第一次 query 只得到部分回答，接著根據部分回答調整第二次 query 在問一次得到結果。 ihower: 以目前 gpt-4 能力仍不夠穩定，成功率偏低， ## 其他範例 * langchain & myscale https://myscale.com/blog/build-rag-enabled-chatbot/ * llamaindex: Performing Complex Financial Calculations with Agentic RAG https://twitter.com/llama_index/status/1785325832317415641 (2024/4/30) ## 相關 papers 感覺跟 ReST meets ReAct https://arxiv.org/abs/2312.10003v1 是同一個思路 * https://baoyu.io/translations/ai-paper/2312.10003-rest-meets-react-self-improvement-for-multi-step-reasoning-llm-agent * https://twitter.com/omarsar0/status/1736587397830176910 > (2024/2/7) 但我在這篇 paper 找不到 system prompt，附錄塞 python code 不完整啊，只定義了方法名稱，沒有給方法實作啊。也找不到有 github 有完整 code，到底他是怎麼做 Relevance self-check 跟 Grounding self-check 的?