ホームページ >テクノロジー周辺機器 >AI >ヘイスタックフレームワークを使用してエージェントQAラグシステムを構築する方法

ヘイスタックフレームワークを使用してエージェントQAラグシステムを構築する方法

尊渡假赌尊渡假赌尊渡假赌オリジナル: 2025-03-03 18:35:10650ブラウズ

製品に関する質問に答える必要があるカスタマーサポートAIを構築していると想像してください。ドキュメントから情報を取得する必要がある場合もあれば、最新の更新をWebで検索する必要がある場合もあります。エージェントRAGシステムは、このようなタイプの複雑なAIアプリケーションで役立ちます。それらは、あなたの内部ドキュメントを知っているだけでなく、Webを検索する時期を決定するスマートな研究助手と考えてください。このガイドでは、Haystackフレームワークを使用してエージェントQAラグシステムを構築するプロセスを進めます。

学習目標

エージェントLLMアプリケーションのHaystackフレームワークを慣れさせます
haystackでChromadbを使用して埋め込みを作成する方法を学びます
この記事は、

データサイエンスブログの一部として公開されました。 目次 エージェントLLMとは何ですか？ブロックコンポーネント

pipeline

ノード
- 接続グラフ
高等教育物理学のための質問アンウェーRAGプロジェクト
Routerを実装
- プロンプトテンプレートを作成
- クエリpipeline
- 描画パイプライングラフを描画します
結論
頻繁に聞かれる質問エージェントLLMとは何ですか？
最小限の人間の入力で考え、計画し、行動することができます。知識を評価し、より多くの情報や外部ツールが必要なときを認識します。
静的データやインデックス付き知識に依存しないでください。代わりに、どのソースを信頼するか、どのように最良の洞察を収集するかを決定します。
このタイプのシステムは、ジョブに適したツールを選択することもできます。ドキュメントを取得するか、計算を実行するか、タスクを自動化する必要があるかを決定できます。それらを際立たせているのは、複雑な問題をステップに分解し、それらを独立して実行する能力であるため、研究、分析、ワークフローの自動化に価値があります。
rag vsエージェントラグ

従来のRAGシステムは線形プロセスに従います。クエリが受信されると、システムは最初にリクエスト内の重要な要素を識別します。次に、知識ベースを検索し、正確な応答を設計するのに役立つ関連情報をスキャンします。関連する情報またはデータが取得されると、システムはそれを処理して意味のあるコンテキストに関連する応答を生成します。
以下の図でプロセスを簡単に理解できます。

さて、エージェントRAGシステムは次のようにこのプロセスを強化します
クエリ要件の評価

複数の知識ソース間を決定
- 重要な違いは、固定された検索パターンに従うのではなく、クエリを処理する方法についてインテリジェントな決定を下すシステムの能力にあります。
HayStackは、効率的なデータ管理のための堅牢なドキュメントストアを提供します。また、アプリケーションのすべてのレイヤーにわたってスムーズなパフォーマンスを確保するための評価、監視、データ統合のための包括的なツールセットが付属しています。また、さまざまなサービスプロバイダーからの新しいサービス統合を定期的に行う強力なコミュニティコラボレーションもあります。

HayStackを使用して何を構築できますか？

堅牢な取得と生成のテクニックを使用して、データをぼろぼろに進めるのは簡単です。
GPT-4、llama3.2、deepseek-r1。などの最新のGenaiモデルを使用するチャットボットとエージェント
混合型（画像、テキスト、オーディオ、テーブル）の生成マルチモーダルの質問回答システム）知識ベース。ドキュメントからの情報抽出または知識グラフの構築。

HayStack Building Blocks
- コンポーネント
  
  コンポーネントは、Haystackのコアビルディングブロックです。ドキュメントの保存、ドキュメントの検索、テキスト生成、埋め込みなどのタスクを実行できます。 Haystackには、インストール後に直接使用できるコンポーネントがたくさんあります。また、Pythonクラスを作成して独自のコンポーネントを作成するためのAPIも提供します。
  パートナー企業とコミュニティからの統合のコレクションがあります。
  
  ライブラリをインストールし、ollama を設定します
```
$ pip install haystack-ai ollama-haystack

# On you system download Ollama and install LLM

ollama pull llama3.2:3b

ollama pull nomic-embed-text


# And then start ollama server
ollama serve
```
  いくつかのコンポーネントをインポート
```
from haystack import Document, Pipeline
from haystack.components.builders.prompt_builder import PromptBuilder
from haystack.components.retrievers.in_memory import InMemoryBM25Retriever
from haystack.document_stores.in_memory import InMemoryDocumentStore
from haystack_integrations.components.generators.ollama import OllamaGenerator
```
  ドキュメントとドキュメントストアを作成します
```
document_store = InMemoryDocumentStore()
documents = [
    Document(
        content="Naruto Uzumaki is a ninja from the Hidden Leaf Village and aspires to become Hokage."
    ),
    Document(
        content="Luffy is the captain of the Straw Hat Pirates and dreams of finding the One Piece."
    ),
    Document(
        content="Goku, a Saiyan warrior, has defended Earth from numerous powerful enemies like Frieza and Cell."
    ),
    Document(
        content="Light Yagami finds a mysterious Death Note, which allows him to eliminate people by writing their names."
    ),
    Document(
        content="Levi Ackerman is humanity’s strongest soldier, fighting against the Titans to protect mankind."
    ),
]
```
  pipeline
  
  パイプラインは、ヘイスタックのフレームワークのバックボーンです。異なるコンポーネント間のデータの流れを定義します。パイプラインは、本質的に指向性の高い非環式グラフ（DAG）です。複数の出力を持つ単一のコンポーネントは、複数の入力を持つ別の単一コンポーネントに接続できます。
  パイプラインを
  で定義できます
  
  パイプラインを視覚化できます
```
pipe = Pipeline()

pipe.add_component("retriever", InMemoryBM25Retriever(document_store=document_store))
pipe.add_component("prompt_builder", PromptBuilder(template=template))
pipe.add_component(
    "llm", OllamaGenerator(model="llama3.2:1b", url="http://localhost:11434")
)
pipe.connect("retriever", "prompt_builder.documents")
pipe.connect("prompt_builder", "llm")
```
  パイプラインが提供しています：
```
image_param = {
    "format": "img",
    "type": "png",
    "theme": "forest",
    "bgColor": "f2f3f4",
}
pipe.show(params=image_param)
```
  モジュラーワークフロー管理
  - 柔軟なコンポーネントアレンジメント
  - 簡単なデバッグと監視
  - ノード
  ノードは、パイプラインで接続できる基本処理ユニットです。これらのノードは、特定のタスクを実行するコンポーネントです。上記のパイプラインからのノードの例
  例
  
  接続グラフ
  
  connectiongraphは、コンポーネントがどのように相互作用するかを定義します上記のパイプラインから、接続グラフを視覚化できます。
```
pipe.add_component("retriever", InMemoryBM25Retriever(document_store=document_store))
pipe.add_component("prompt_builder", PromptBuilder(template=template))
pipe.add_component(
    "llm", OllamaGenerator(model="llama3.2:1b", url="http://localhost:11434")
)
```
  アニメパイプラインの接続グラフ
  
  このグラフ構造：
```
image_param = {
    "format": "img",
    "type": "png",
    "theme": "forest",
    "bgColor": "f2f3f4",
}
pipe.show(params=image_param)
```
  コンポーネント間のデータフローを定義します
  入力/出力関係を管理
  可能な場合は、
  並列処理を有効にします
  柔軟な処理経路を作成します
  - プロンプトを使用してアニメナレッジベースを照会できます。
  - プロンプトテンプレートを作成
  - このプロンプトは、ドキュメントベースから情報を取得する回答を提供します。プロンプトとレトリーバーを使用した
  応答：
```
template = """
Given only the following information, answer the question.
Ignore your own knowledge.

Context:
{% for document in documents %}
    {{ document.content }}
{% endfor %}

Question: {{ query }}?
"""
```
  このぼろはシンプルでありながら、新人にとって概念的に価値があります。 Haystack Frameworksの概念のほとんどを理解したので、メインプロジェクトに深く飛び込むことができます。新しいことが出現した場合、私は途中で説明します。
  高等二次物理学のための質問回答ragプロジェクト
  
  高等中学生向けのNCERT物理学の本ベースの質問回答ぼろを構築します。 NCERTブックから情報を取得することでクエリへの回答を提供し、情報がない場合はその情報を検索してその情報を取得します。
  使用します。
  
  local llama3.2：3bまたはllama3.2：1b
  - chromadb
  - 無料の完全にローカライズされたシステムを使用しています。
  conda env python 3.12
  をセットアップします
  
  必要なパッケージをインストールします
```
$ pip install haystack-ai ollama-haystack

# On you system download Ollama and install LLM

ollama pull llama3.2:3b

ollama pull nomic-embed-text


# And then start ollama server
ollama serve
```
  qagent
  。
```
from haystack import Document, Pipeline
from haystack.components.builders.prompt_builder import PromptBuilder
from haystack.components.retrievers.in_memory import InMemoryBM25Retriever
from haystack.document_stores.in_memory import InMemoryDocumentStore
from haystack_integrations.components.generators.ollama import OllamaGenerator
```
  という名前のプロジェクトディレクトリを作成します
  プロジェクトにはプレーンPythonファイルを使用したり、プロジェクトにJupyterノートブックを使用したりできます。プレーンPythonファイルを使用しますプロジェクトルートに
  main.py
```
document_store = InMemoryDocumentStore()
documents = [
    Document(
        content="Naruto Uzumaki is a ninja from the Hidden Leaf Village and aspires to become Hokage."
    ),
    Document(
        content="Luffy is the captain of the Straw Hat Pirates and dreams of finding the One Piece."
    ),
    Document(
        content="Goku, a Saiyan warrior, has defended Earth from numerous powerful enemies like Frieza and Cell."
    ),
    Document(
        content="Light Yagami finds a mysterious Death Note, which allows him to eliminate people by writing their names."
    ),
    Document(
        content="Levi Ackerman is humanity’s strongest soldier, fighting against the Titans to protect mankind."
    ),
]
```
  ファイルを作成します。
  必要なライブラリのインポート
  
  システムパッケージ
  
  Core Haystackコンポーネント
  埋め込みコンポーネントのChromadb
  - ローカル推論のためのオラマコンポーネント
  - およびWeb検索のためのDuckduckgo
  ドキュメントストアの作成
```
pipe = Pipeline()

pipe.add_component("retriever", InMemoryBM25Retriever(document_store=document_store))
pipe.add_component("prompt_builder", PromptBuilder(template=template))
pipe.add_component(
    "llm", OllamaGenerator(model="llama3.2:1b", url="http://localhost:11434")
)
pipe.connect("retriever", "prompt_builder.documents")
pipe.connect("prompt_builder", "llm")
```
  ドキュメントストアは最も重要です。ここでは、入力のために埋め込みを保存します。具体化ストアに
```
image_param = {
    "format": "img",
    "type": "png",
    "theme": "forest",
    "bgColor": "f2f3f4",
}
pipe.show(params=image_param)
```
  chromadb
```
pipe.add_component("retriever", InMemoryBM25Retriever(document_store=document_store))
pipe.add_component("prompt_builder", PromptBuilder(template=template))
pipe.add_component(
    "llm", OllamaGenerator(model="llama3.2:1b", url="http://localhost:11434")
)
```
  を使用します。以前の例でわかるように、迅速な取得のためにインメモリドキュメントストアを使用します。システムを開始します。
```
image_param = {
    "format": "img",
    "type": "png",
    "theme": "forest",
    "bgColor": "f2f3f4",
}
pipe.show(params=image_param)
```
```
template = """
Given only the following information, answer the question.
Ignore your own knowledge.

Context:
{% for document in documents %}
    {{ document.content }}
{% endfor %}

Question: {{ query }}?
"""
```
  ソリューションは、松ぼっくり、織り、ポストグレスベクターDB、ChromADBなどのベクトルデータベースです。 ChromAdbを使用しています。これは、無料でオープンソース、使いやすく、堅牢であるためです。
  
  westing_pathは、埋め込みを保存したい場所です。
  
  pdfファイルパス
```
query = "How Goku eliminate people?"
response = pipe.run({"prompt_builder": {"query": query}, "retriever": {"query": query}})
print(response["llm"]["replies"])
```
  PDFファイルで構成されるデータフォルダーからファイルのリストを作成します。 ドキュメント前処理コンポーネント
  
  クリーナー、スプリッター、ファイルコンバーターなどのHayStackの組み込みドキュメントプリプロセッサを使用し、ライターを使用してデータをストアに書き込みます。クリーナー：
  ドキュメントから余分なスペース、繰り返しの行、空の線などがきれいになります。
```
$conda create --name agenticlm python=3.12

$conda activate agenticlm
```
  スプリッター：
  単語、文章、パラ、ページなど、さまざまな方法でドキュメントを分割します。
  
  ファイルコンバーター：
  PYPDFを使用して、PDFをドキュメントに変換します。
```
$ pip install haystack-ai ollama-haystack

# On you system download Ollama and install LLM

ollama pull llama3.2:3b

ollama pull nomic-embed-text


# And then start ollama server
ollama serve
```
  ライター：ドキュメントを保存する場所にドキュメントを保存し、ドキュメントを重複させるために、以前のドキュメントで上書きします。
```
from haystack import Document, Pipeline
from haystack.components.builders.prompt_builder import PromptBuilder
from haystack.components.retrievers.in_memory import InMemoryBM25Retriever
from haystack.document_stores.in_memory import InMemoryDocumentStore
from haystack_integrations.components.generators.ollama import OllamaGenerator
```
  ドキュメントインデックスのために埋め込みを設定します。
  
  Embedder：NOMIC EMBED TEXT 非常に効果的で無料のinhuggingfaceとollamaです。インデックスパイプラインを実行する前に、端末を開き、以下を入力して、ノミック埋め込みテキストとllama3.2：3bモデルをオラマモデルストア
  
  コマンドを入力してオラマを開始します
  ollama serve
  
  埋め込みコンポーネント
```
document_store = InMemoryDocumentStore()
documents = [
    Document(
        content="Naruto Uzumaki is a ninja from the Hidden Leaf Village and aspires to become Hokage."
    ),
    Document(
        content="Luffy is the captain of the Straw Hat Pirates and dreams of finding the One Piece."
    ),
    Document(
        content="Goku, a Saiyan warrior, has defended Earth from numerous powerful enemies like Frieza and Cell."
    ),
    Document(
        content="Light Yagami finds a mysterious Death Note, which allows him to eliminate people by writing their names."
    ),
    Document(
        content="Levi Ackerman is humanity’s strongest soldier, fighting against the Titans to protect mankind."
    ),
]
```
  ollamadocumentembedder
  コンポーネントを埋め込むにはドキュメントを埋め込みますが、テキスト文字列を埋めたい場合は、
  olamatextembedder。
  インデックス作成パイプラインの作成
```
pipe = Pipeline()

pipe.add_component("retriever", InMemoryBM25Retriever(document_store=document_store))
pipe.add_component("prompt_builder", PromptBuilder(template=template))
pipe.add_component(
    "llm", OllamaGenerator(model="llama3.2:1b", url="http://localhost:11434")
)
pipe.connect("retriever", "prompt_builder.documents")
pipe.connect("prompt_builder", "llm")
```
  以前のおもちゃのぼろきれの例と同様に、パイプラインクラスを開始することから始めます。次に、コンポーネントをパイプラインに1つずつ追加します
  パイプラインにコンポーネントを追加しても注文は気にしないため、任意の順序でコンポーネントを追加できます。しかし、接続することが重要です。
  
  コンポーネントをパイプライングラフに接続します
```
image_param = {
    "format": "img",
    "type": "png",
    "theme": "forest",
    "bgColor": "f2f3f4",
}
pipe.show(params=image_param)
```
  ここでは、コンポーネントを接続する方法がパイプラインにパイプラインをどのように流れるかをパイプラインに伝えるため、注文することが重要です。それは、どの順序で、または配管品を購入する場所から重要ではありませんが、それらをまとめる方法はあなたがあなたの水を得るかどうかを決定するでしょう。
  コンバーターはPDFを変換し、洗浄のために掃除するように送信します。次に、クリーナーがクリーニングされたドキュメントをスプリッターに送信してチャンクします。その後、これらのチャンクはベクトル化のために埋め込まれたものに渡され、最後の埋め込まれたものはこれらの埋め込みをライターに渡してストレージのために引き渡します。
  理解！わかりました、データフローを検査できるように、インデックスの視覚的なグラフを教えてください。
```
pipe.add_component("retriever", InMemoryBM25Retriever(document_store=document_store))
pipe.add_component("prompt_builder", PromptBuilder(template=template))
pipe.add_component(
    "llm", OllamaGenerator(model="llama3.2:1b", url="http://localhost:11434")
)
```
  インデックス作成パイプラインを描画します
  
  ええ、Haystackパイプラインから素敵な人魚グラフを簡単に作成できます。
```
image_param = {
    "format": "img",
    "type": "png",
    "theme": "forest",
    "bgColor": "f2f3f4",
}
pipe.show(params=image_param)
```
  インデックス作成パイプラインのグラフ
  
  私は今、あなたがヘイスタックパイプラインの背後にあるアイデアを完全に把握していると思います。配管工に感謝します。
```
template = """
Given only the following information, answer the question.
Ignore your own knowledge.

Context:
{% for document in documents %}
    {{ document.content }}
{% endfor %}

Question: {{ query }}?
"""
```
  router
  を実装します
  次に、異なるパスを通してデータをルーティングするためにルーターを作成する必要があります。この場合、特定の条件でルーティングジョブを行う条件付きルーターを使用します。
  条件付きルーターは、コンポーネントの出力に基づいて条件を評価します。さまざまなパイプラインブランチを介してデータフローを導き、動的な意思決定を可能にします。また、堅牢なフォールバック戦略もあります
```
$ pip install haystack-ai ollama-haystack

# On you system download Ollama and install LLM

ollama pull llama3.2:3b

ollama pull nomic-embed-text


# And then start ollama server
ollama serve
```
  システムが埋め込みストアのコンテキストからNO_ANSWERが返信すると、インターネットから関連するデータを収集するためにWeb検索ツールに移動します。
  Web検索では、DuckDuckgo APIまたはTavilyを使用します。ここではDuckDuckgoを使用しました。
  
  わかりました、重い持ち上げのほとんどが行われました。さて、迅速なエンジニアリングの時間
```
from haystack import Document, Pipeline
from haystack.components.builders.prompt_builder import PromptBuilder
from haystack.components.retrievers.in_memory import InMemoryBM25Retriever
from haystack.document_stores.in_memory import InMemoryDocumentStore
from haystack_integrations.components.generators.ollama import OllamaGenerator
```
  プロンプトテンプレートを作成
  
  テンプレートからプロンプトを構築するためにHayStack PromptBuilderコンポーネントを使用します
  
  最初に、qa
  のプロンプトを作成します
  
  ドキュメントからコンテキストを取り、質問に答えようとします。ただし、ドキュメントに関連するコンテキストが見つからない場合は、no_answerに返信します。
```
document_store = InMemoryDocumentStore()
documents = [
    Document(
        content="Naruto Uzumaki is a ninja from the Hidden Leaf Village and aspires to become Hokage."
    ),
    Document(
        content="Luffy is the captain of the Straw Hat Pirates and dreams of finding the One Piece."
    ),
    Document(
        content="Goku, a Saiyan warrior, has defended Earth from numerous powerful enemies like Frieza and Cell."
    ),
    Document(
        content="Light Yagami finds a mysterious Death Note, which allows him to eliminate people by writing their names."
    ),
    Document(
        content="Levi Ackerman is humanity’s strongest soldier, fighting against the Titans to protect mankind."
    ),
]
```
  さて、LLMからNO_Answerを取得した後の2番目のプロンプトで、システムはインターネットからコンテキストを収集するためにWeb検索ツールを使用します。
  duckduckgoプロンプトテンプレート
  
  システムがWeb検索に移動し、クエリに応答しようとするようになります。
  HayStackのPromptBuilderを使用してプロンプトを作成します
```
pipe = Pipeline()

pipe.add_component("retriever", InMemoryBM25Retriever(document_store=document_store))
pipe.add_component("prompt_builder", PromptBuilder(template=template))
pipe.add_component(
    "llm", OllamaGenerator(model="llama3.2:1b", url="http://localhost:11434")
)
pipe.connect("retriever", "prompt_builder.documents")
pipe.connect("prompt_builder", "llm")
```
  ヘイスタックプロンプトジョイナーを使用して、プロンプトのブランチに参加します。クエリパイプラインを実装
```
image_param = {
    "format": "img",
    "type": "png",
    "theme": "forest",
    "bgColor": "f2f3f4",
}
pipe.show(params=image_param)
```
  クエリパイプラインは、埋め込みからコンテキストリソースを収集し、LLMまたはWeb検索ツールを使用してクエリに答えるクエリを埋め込みます。
  インデックスパイプラインに似ています。
```
pipe.add_component("retriever", InMemoryBM25Retriever(document_store=document_store))
pipe.add_component("prompt_builder", PromptBuilder(template=template))
pipe.add_component(
    "llm", OllamaGenerator(model="llama3.2:1b", url="http://localhost:11434")
)
```
  パイプラインの開始
  
  クエリパイプラインにコンポーネントを追加
  
  ここで、LLM世代には、llama3.2または1bまたは1b、またはツールの呼び出しで好きなLLMを使用して回答を生成するためにOllamageneratorコンポーネントを使用します。クエリフローと回答生成のために、すべてのコンポーネントを一緒に接続する
  
  上記の接続の要約：
```
image_param = {
    "format": "img",
    "type": "png",
    "theme": "forest",
    "bgColor": "f2f3f4",
}
pipe.show(params=image_param)
```
  Text_embedderからの埋め込みは、レトリーバーのクエリの埋め込みに送信されました。
```
template = """
Given only the following information, answer the question.
Ignore your own knowledge.

Context:
{% for document in documents %}
    {{ document.content }}
{% endfor %}

Question: {{ query }}?
"""
```
  Retriverは、prospt_builderのドキュメントにデータを送信します
  プロンプトビルダーは、他のプロンプトと参加するためにプロンプトジョイナーに移動します。
  プロンプトジョイナーは、生成のためにデータをLLMに渡します。
  
  llmの返信はルーターに移動して、返信が
```
query = "How Goku eliminate people?"
response = pipe.run({"prompt_builder": {"query": query}, "retriever": {"query": query}})
print(response["llm"]["replies"])
```
  no_answer
  またはnot.if
  no_answer
  1. Web検索は、クエリとしてデータをWeb検索プロンプトに送信します。
  2. Web検索プロンプトは、データをプロンプトジョイナーに送信します。
  5. クエリグラフ
  7. 私はそれが巨大なグラフであることを知っていますが、それは獣の腹の下で何が起こっているのかを正確に示します。
    
    今、私たちの努力の果物を楽しむ時が来ました。
    
    簡単にクエリするための関数を作成します
```
$ pip install haystack-ai ollama-haystack

# On you system download Ollama and install LLM

ollama pull llama3.2:3b

ollama pull nomic-embed-text


# And then start ollama server
ollama serve
```
    これは、回答生成のための簡単な単純な機能です。
    
    NCERT物理学の本をインデックスするためにメインスクリプトを実行してください
```
from haystack import Document, Pipeline
from haystack.components.builders.prompt_builder import PromptBuilder
from haystack.components.retrievers.in_memory import InMemoryBM25Retriever
from haystack.document_stores.in_memory import InMemoryDocumentStore
from haystack_integrations.components.generators.ollama import OllamaGenerator
```
    それは1回限りの仕事です。インデックスをインデックスした後、この行にコメントする必要があります。そうしないと、本の再インデックスを開始します。
    そして、ファイルの下部にクエリのためにドライバーコードを記述します
    
    本の知識からの抵抗性に関する
    mcq
```
document_store = InMemoryDocumentStore()
documents = [
    Document(
        content="Naruto Uzumaki is a ninja from the Hidden Leaf Village and aspires to become Hokage."
    ),
    Document(
        content="Luffy is the captain of the Straw Hat Pirates and dreams of finding the One Piece."
    ),
    Document(
        content="Goku, a Saiyan warrior, has defended Earth from numerous powerful enemies like Frieza and Cell."
    ),
    Document(
        content="Light Yagami finds a mysterious Death Note, which allows him to eliminate people by writing their names."
    ),
    Document(
        content="Levi Ackerman is humanity’s strongest soldier, fighting against the Titans to protect mankind."
    ),
]
```
    本にない別の質問
```
pipe = Pipeline()

pipe.add_component("retriever", InMemoryBM25Retriever(document_store=document_store))
pipe.add_component("prompt_builder", PromptBuilder(template=template))
pipe.add_component(
    "llm", OllamaGenerator(model="llama3.2:1b", url="http://localhost:11434")
)
pipe.connect("retriever", "prompt_builder.documents")
pipe.connect("prompt_builder", "llm")
```
    output
    
    別の質問を試してみましょう。
```
image_param = {
    "format": "img",
    "type": "png",
    "theme": "forest",
    "bgColor": "f2f3f4",
}
pipe.show(params=image_param)
```
    それで、それは機能しています！より多くのデータ、書籍、またはPDFを埋め込みに使用することができます。また、GPT-4O、AnthropicのClaude、またはその他のクラウドLLMなどのLLMは、仕事をさらに良くします。
    結論
    
    私たちのエージェントRAGシステムは、コンポーネントとパイプラインを組み合わせる力を持つHaystackフレームワークの柔軟性と堅牢性を示しています。このぼろきれは、Webサービスプラットフォームに展開し、Openaiやnthropicなどのより良い有料LLMを使用することにより、生産対応にすることができます。より良いユーザーエクスペリエンスを得るために、RestreylitまたはReactベースのWebスパを使用してUIを構築できます。
    記事で使用されているすべてのコードをこちらを見つけることができます。
    キーテイクアウト
    
    エージェントラグシステムは、従来のぼろきれよりもインテリジェントで柔軟な応答を提供します。
    Haystackのパイプラインアーキテクチャにより、複雑でモジュラーワークフローが可能になります
    ルーターは、応答生成で動的な意思決定を有効にします。
    - 複数の知識ソースの統合により、応答の品質が向上します
    - この記事に示されているメディアは、Analytics Vidhyaが所有しておらず、著者の裁量で使用されています。
    - よくある質問
    - q1。システムは未知のクエリをどのように処理しますか？システムは、ローカルナレッジが不十分な場合にルーターコンポーネントを使用して、自動的にWeb検索に戻り、包括的なカバレッジを確保します。パイプラインアーキテクチャはどのような利点を提供しますか？パイプラインアーキテクチャにより、モジュール開発、簡単なテスト、柔軟なコンポーネントの配置が可能になり、システムが維持可能かつ拡張可能になります。 q3。接続グラフはシステム機能をどのように強化しますか？接続グラフにより、複雑なデータフローと並列処理が可能になり、さまざまな種類のクエリを処理する際のシステム効率と柔軟性が向上します。他のLLM APIを使用できますか？はい、Gemini、Anthropic、GROQなどのそれぞれのLLM APIに必要な統合パッケージをインストールし、APIキーで使用してください。