Interactive Lab #9

RAG Vector Pipeline Simulator

External Vector Database တွင် Cosine Similarity ဖြင့် သက်ဆိုင်သော အချက်အလက်များ ရှာဖွေပြီး LLM Prompt Context တွင် ပေါင်းစပ်ပေးပုံကို တိုက်ရိုက် လေ့လာပါ။

RAG (Retrieval-Augmented Generation) Pipeline Simulator

Observe how user queries are converted into 2D vector embeddings, matched via Cosine Similarity search, and injected into the LLM prompt context window.

KB Chunks: 6

Top-K Retrieved: 3

Top Match: 100.0%

Top-K (3)

2D Vector Embedding MapCosine Distance

Pink Star = Query Embedding | Blue Circles = Retrievable Document Chunks

Retrieved Vector Search Chunks (Top-3)

Rank #1 [chunk-1]

100.0% Match

AI Agent ဆိုသည်မှာ ပန်းတိုင်ရောက်ရန် Environment ကို လေ့လာပြီး Reasoning & Tools များဖြင့် ကိုယ်ပိုင် Decision တိုင်ပင် လုပ်ဆောင်နိုင်သော စနစ်ဖြစ်သည်။

Rank #2 [chunk-2]

100.0% Match

ReAct Framework သည် Reason (စဉ်းစားခြင်း) နှင့် Action (လုပ်ဆောင်ခြင်း) များကို အလှည့်ကျ ဆောင်ရွက်သော Agentic Workflow တစ်ခုဖြစ်သည်။

Rank #3 [chunk-3]

4.9% Match

Transformer Architecture သည် Self-Attention Mechanism ကို အဓိကထား၍ Parallel Processing စွမ်းရည်ဖြင့် LLM များ၏ ကျောရိုး ဖြစ်လာခဲ့သည်။

Augmented Prompt Window Preview (Sent to LLM)

=== SYSTEM CONTEXT (RETRIEVED RAG CHUNKS) ===

• AI Agent ဆိုသည်မှာ ပန်းတိုင်ရောက်ရန် Environment ကို လေ့လာပြီး Reasoning & Tools များဖြင့် ကိုယ်ပိုင် Decision တိုင်ပင် လုပ်ဆောင်နိုင်သော စနစ်ဖြစ်သည်။

• ReAct Framework သည် Reason (စဉ်းစားခြင်း) နှင့် Action (လုပ်ဆောင်ခြင်း) များကို အလှည့်ကျ ဆောင်ရွက်သော Agentic Workflow တစ်ခုဖြစ်သည်။

• Transformer Architecture သည် Self-Attention Mechanism ကို အဓိကထား၍ Parallel Processing စွမ်းရည်ဖြင့် LLM များ၏ ကျောရိုး ဖြစ်လာခဲ့သည်။

=== USER QUESTION ===

AI Agent ဆိုတာ ဘာလဲ? Tool Calling နဲ့ ဘယ်လို သုံးသလဲ?

💡 RAG (Retrieval-Augmented Generation) Architecture ဆိုသည်မှာ ဘာလဲ?

RAG (Retrieval-Augmented Generation) သည် Large Language Models များ၏ Hallucination (မမှန်မကန် လုပ်ကြံဖြေဆိုခြင်း) ကို လျှော့ချရန်နှင့် ပြင်ပ အချက်အလက်သစ်များ (Enterprise Documents, PDFs, Knowledge Bases) ကို အချိန်နဲ့တပြေးညီ မှန်ကန်စွာ ဖြေဆိုနိုင်စေရန် အသုံးပြုသော ခေတ်မီ AI Architecture ဖြစ်သည်။

1. Vector Embeddings

စာသားများနှင့် မေးခွန်းများကို 2D/1536D Vector Space ပေါ်တွင် ကိန်းဂဏန်း Coordinates အဖြစ် ပြောင်းလဲပေးသည်။

2. Cosine Similarity Search

User မေးခွန်းနှင့် အဓိပ္ပာယ် အနီးစပ်ဆုံး တူညီသော Document Chunks များကို Vector Database တွင် Cosine Distance ဖြင့် ရှာဖွေသည်။

3. Prompt Augmentation

ရှာဖွေတွေ့ရှိသော Top-K Chunks များကို LLM System Context Prompt ထဲသို့ ထည့်သွင်းပေးပြီး တိကျသော ရလဒ် ထုတ်ပေးသည်။