前言

到昨天我們的RAG、Agent、以及監控都做完了基本介紹，接下來要介紹一下最終的專案全貌。

架構

筆者使用簡單的範例，在Qdrant裡面起了兩個collection，一個是在石虎相關的研究資料，一個是草鴞相關的研究資料，並將兩個collection的retrieval功能包裝成tool來讓MRKL系統調用，我們的目標是MRKL可以自己去判斷，然後調用正確的collection來找回資料。

簡單成果

可以看到我們成功觸發MRKL的作用:

• Question: 草鴞在台灣遇到什麼保育問題？
• Throught: 我需要找到關於草鴞在台灣的保育狀況的資訊
• Action: search_grass_owl
• Action input: "草鴞 保育"(輸入這兩個字進去qdrant做Retrieval)
• Observation: 從 grass_owl 找到 3 個相關文檔：
• Thought: :我已經找到關於草鴞在台灣保育問題的相關資訊。
• Final Answer:
  來源: collection_grass_owl
  參考內容: 守護暗夜中的珍稀隱者：臺灣草鴞的保育挑戰與未來.pdf
  回答: 草鴞在台灣面臨的主要保育問題是族群數量極度稀少，生存環境受到嚴峻衝擊。主要威脅包括棲地破壞、外來入侵種植物排擠原生植物，以及人類活動對淺山生 態系造成影響。為了保護草鴞，不僅是為了保護一個物種，更是為了維護整個淺山生態系的平衡與永續。
• Finished chain.

到這邊，我們已經用很輕量的llama-3-taiwan-8b-instruct推動一個AI Agent了!
明天最後一天我們再把所有東西整理起來吧! 謝謝讀到這邊的大家!!