📝 დავალება 3 - RAG & Agent Design

ცოდნის ბაზები (RAG) და ავტონომიური აგენტები

სულ: 10 ქულა

⏱️ სავარაუდო დრო: 75-90 წუთი

🏠 მთავარი 📊 სლაიდები 📚 შეჯამება 💪 სავარჯიშოები ⚡ ცნობარი 📚 გზამკვლევი

🎯 დავალების მიზანი

ამ დავალების შესრულებით თქვენ:

  • ააწყობთ RAG (Retrieval-Augmented Generation) სისტემას Claude Project-ის ან Gemini Gem-ის გამოყენებით.
  • გაანალიზებთ სხვაობას სტანდარტულ პასუხებსა და ცოდნის ბაზაზე დაფუძნებულ პასუხებს შორის.
  • დააპროექტებთ ავტონომიური აგენტის არქიტექტურას (Tools, Memory, ReAct).
⚠️ ყურადღება: ეს დავალება აგრძელებს პირველ შეხვედრაში შექმნილ ასისტენტს და მეორე შეხვედრაში ნასწავლ მონაცემთა/API საფუძვლებს. ახლა ასისტენტს უნდა დავუმატოთ ცოდნის ბაზა და აგენტური მოქმედების გეგმა.

📋 დავალებები

ნაწილი 1: RAG სისტემის იმპლემენტაცია 5 ქულა

ცოდნის ბაზის (Knowledge Base) ინტეგრაცია

რა უნდა გააკეთოთ:

  • აირჩიეთ თემა (მაგ: კომპანიის შიდა წესდება, პროდუქტის ტექნიკური მახასიათებლები, სასწავლო სილაბუსი).
  • მოამზადეთ 2 ან 3 დოკუმენტი (PDF, Word, ან TXT ფორმატში).
  • ატვირთეთ ეს დოკუმენტები თქვენს Claude Project-ში ან Gemini Gem-ში.
  • ჩაატარეთ A/B ტესტირება:
    • ტესტი A (ცოდნის გარეშე): გახსენით ჩვეულებრივი ჩატი (ChatGPT/Claude) დოკუმენტების გარეშე და დაუსვით სპეციფიკური კითხვა. გადაიღეთ ეკრანის ანაბეჭდი.
    • ტესტი B (ცოდნის ბაზით): შედით თქვენს Project/Gem-ში, დაუსვით ზუსტად იგივე კითხვა. გადაიღეთ ანაბეჭდი.
  • დაწერეთ მოკლე დასკვნა (2-3 წინადადება), თუ როგორ აღმოფხვრა RAG-მა ჰალუცინაცია.
მაგალითი ტესტისთვის:
"რა პროცედურა უნდა გავიარო, თუ პროდუქტი X დაზიანდა ტრანსპორტირებისას ჩვენი ახალი 2026 წლის პოლიტიკის მიხედვით?"
ნაწილი 2: ავტონომიური აგენტის დიზაინი 5 ქულა

ReAct (Reasoning and Acting) მოდელის მონახაზი

რა უნდა გააკეთოთ:

  • წარმოიდგინეთ, რომ ქმნით AI აგენტს, რომელსაც აქვს წვდომა ინტერნეტსა და სხვადასხვა ინსტრუმენტებზე (Tools).
  • შეარჩიეთ ერთი რთული ამოცანა (მაგალითად: "მოიძიე ინფორმაცია კონკურენტი კომპანიების ფასებზე და შეადგინე რეპორტი").
  • დახატეთ ან ტექსტურად აღწერეთ აგენტის აზროვნების პროცესი ReAct ჩარჩოს (Framework) გამოყენებით:
    • Thought (ფიქრი): რას ფიქრობს აგენტი პირველ რიგში? (მაგ: "უნდა მოვძებნო X კომპანიის ვებსაიტი").
    • Action (მოქმედება & ინსტრუმენტი): რომელ Tool-ს იყენებს? (მაგ: `Web_Search("X company pricing")`).
    • Observation (დაკვირვება): რა ინფორმაცია დაუბრუნა Tool-მა?
    • Thought 2 (მეორე ფიქრი): რა დასკვნა გამოიტანა და რა არის შემდეგი ნაბიჯი?
    • Action 2: `Write_To_Document("Competitor Prices")`.
რატომ ვაკეთებთ ამას? სანამ აგენტებს n8n-ში ან Make.com-ში ავაწყობთ (შემდეგ ლექციებზე), უნდა გვესმოდეს, როგორ აზროვნებს AI ნაბიჯ-ნაბიჯ, რათა სწორად შევურჩიოთ ინსტრუმენტები (Tools).

📤 რა უნდა ჩააბაროთ

შექმენით 1 დოკუმენტი (PDF ან Google Docs ბმული), რომელშიც იქნება:

  1. ნაწილი 1: ატვირთული დოკუმენტების სია. ორი ეკრანის ანაბეჭდი (ტესტი A და ტესტი B) და თქვენი შედარებითი დასკვნა RAG-ის ეფექტურობაზე.
  2. ნაწილი 2: თქვენს მიერ მოფიქრებული რთული ამოცანა და აგენტის ნაბიჯ-ნაბიჯ აზროვნების პროცესი (Thought → Action → Observation).
📧 სად უნდა ჩააბაროთ: Google Classroom

📅 ვადა: მე-4 ლექციამდე

📎 ფაილის სახელი: HW3_თქვენი_სახელი_გვარი.pdf

⭐ შეფასების კრიტერიუმები

ნაწილი ქულა შეფასების დეტალები
RAG სისტემის იმპლემენტაცია 5 ქულა ნათლად ჩანს განსხვავება სტანდარტულ პასუხსა და ცოდნის ბაზიდან (RAG) მიღებულ პასუხს შორის. დასკვნა ლოგიკური და არგუმენტირებულია.
ავტონომიური აგენტის დიზაინი (ReAct) 5 ქულა აგენტის აზროვნების პროცესი (Thought-Action-Observation) სწორად არის დაყოფილი. შერჩეული ინსტრუმენტები (Tools) ლოგიკურად ესადაგება ამოცანას.
⚠️ ყურადღება: დაგვიანების შემთხვევაში ყოველდღიურად აკლდება 0.5 ქულა. სხვისი დავალების გადაწერა ფასდება 0 ქულით.