Erweitertes RAG über aktuelle Vorlagen hinaus

Advanced RAG fügt Techniken für gemessene Fehler hinzu. Sie sind nicht automatisch Optionen in lokalen Vorlagen.

Dies ist ein konzeptionelles oder externes Labor. Es wird nicht davon ausgegangen, dass die Anwendung alle beschriebenen Steuerelemente verfügbar macht.

Wie es funktioniert, Schritt für Schritt

RAG greift auf Beweise zu, es führt keine Umschulung durch

RAG bedeutet Retrieval-Augmented Generation: Retrieval liefert relevante Passagen, bevor das Modell antwortet. Die Aufnahme bereitet Dokumente vor, während die Abfrageausführung den Index durchsucht und den Kontext erstellt. Ein Einbettungsmodell stellt Text numerisch dar; Das Antwortmodell schreibt die Antwort. Reranker-, Vision-, Graph- und Router-Modelle übernehmen bei Bedarf unterschiedliche Rollen. RAG hilft bei privaten oder sich ändernden Informationen, übernimmt jedoch keine Gewähr für die Richtigkeit. Verwenden Sie eine autorisierte API für Salden, genaue Bestände oder Berechtigungen; Ein altes Dokument ist keine verlässliche Quelle für den aktuellen Stand.

Suche und Ranking sind verschiedene Phasen

Beim Retrieval werden Kandidaten ausgewählt und nach einer Rangfolge sortiert. top_k ist die Anzahl der angeforderten Ergebnisse; Eine Erhöhung kann zu Beweisen, aber auch zu Lärm führen. Ein Reranker untersucht die Anfrage und die Kandidaten genauer. Es kann keine Passage wiederherstellen, die in der ursprünglichen Liste fehlt. BM25 sucht nach lexikalischen Übereinstimmungen und hilft bei exakten Codes; Die Vektorsuche sucht nach semantischer Ähnlichkeit. RRF kombiniert Positionen in Ranglisten, anstatt Punkte mit inkompatiblen Einheiten zu addieren. Zusätzliche Stufen müssen ihre Qualität, Latenz und Kosten durch Tests rechtfertigen.

Definieren Sie den Erfolg vor der Optimierung

Bereiten Sie repräsentative Anfragen und erwartete Antworten oder Eigenschaften vor. Berücksichtigen Sie normale Fälle, Unklarheiten, fehlende Daten und Toolfehler. Messen Sie für RAG die Beweisgewinnung getrennt von der Antwortkorrektheit. Recall@k misst den Anteil relevanter Beweise, die in den ersten k Ergebnissen gefunden wurden; precision@k misst den Anteil der zurückgegebenen Ergebnisse, die relevant sind. Verfolgen Sie für Agenten auch Aktionen, Berechtigungen und Stopps. Ein LLM als Richter kann die Bewertung beschleunigen, muss jedoch mit Menschen verglichen werden. Ändern Sie Eingabeaufforderung, Modell und Index nicht gleichzeitig, wenn Sie verstehen möchten, was zu verbesserten Ergebnissen führt.

Das erklärende Schaubild

Folgen Sie den durchgezogenen Pfeilen für den Hauptfluss. Gestrichelte blaue Pfeile liefern Daten oder Kontext; Gestrichelte rosa Pfeile zeigen Feedback oder zurückgegebene Ergebnisse an. Farben und Formen unterscheiden Modelle, Geschäfte, Entscheidungen und Ergebnisse. Bei diesen erweiterten Abrufkontrollen handelt es sich um externe Konzepte und nicht um zusätzliche Anwendungsvorlagen. Scrollen Sie auf kleinen Bildschirmen horizontal, um das gesamte Schaubild zu verfolgen.

Ein vollständiges Beispiel

Das Umschreiben von Abfragen klärt Abfragen. Suchvarianten mit mehreren Abfragen; HyDE erstellt hypothetischen Abruftext; Der kontextbezogene Abruf bereichert Chunks. Korrektur-/Selbst-RAG-Prüfungen und ggf. Wiederholung des Abrufs; Der Agentenabruf wählt Schritte dynamisch aus.

Probieren Sie es selbst aus

1. Formulieren Sie drei mehrdeutige Fragen neu und prüfen Sie, ob die Absicht unverändert bleibt.
2. Notieren Sie die Eingabe, die Quelle und das erwartete Ergebnis, bevor Sie das Experiment durchführen. Verwenden Sie im Beispiel nur die fiktiven Daten.
3. Folgen Sie den Diagrammschritten. Notieren Sie bei jedem Schritt, welche Informationen empfangen und produziert werden. Verwechseln Sie Zwischenergebnisse nicht mit Endergebnissen.
4. Wiederholen Sie den Vorgang, nachdem Sie erforderliche Informationen entfernt oder die Eingabe mehrdeutig gemacht haben. Prüfen Sie, ob das System eine Antwort klärt, stoppt oder erfindet.
5. Vergleichen Sie mit der erklärten Lösung. Bewahren Sie die Konfiguration, das Datum, das Ergebnis und eine Erklärung für Unterschiede auf. Ändern Sie eine Sache und testen Sie es erneut.

Eine erklärte Lösung

Behalten Sie die ursprüngliche Abfrage bei und testen Sie, ob Abrufgewinne zusätzliche Aufrufe rechtfertigen. Ein hypothetischer Text ist kein Beweis. Mit einer erfolgreichen Übung können Sie den Zusammenhang zwischen Input, Phasen und Ergebnis aufzeigen. Bei fehlenden Informationen ist eine vorsichtige Antwort sinnvoller als erfundene Details. Vergleichen Sie mehr als nur Stil: Überprüfen Sie auch Bedingungen, Quellen und Vorgänge.

Wann dieser Ansatz hilft und wo seine Grenzen liegen

Das Umschreiben kann die Bedeutung ändern oder eine genaue Kennung löschen. Wählen Sie diesen Ansatz, wenn er einen gemessenen Bedarf verbessert. Behalten Sie eine einfache Ausgangsbasis bei und vergleichen Sie die Ergebnisse mit identischen Eingaben. Ein erfolgreiches Beispiel stellt nicht in jeder Situation Verlässlichkeit dar.

Überprüfen Sie Ihr Wissen

Verändert RAG die LLM-Parameter?

Nein. Es stellt den Kontext zur Anforderungszeit bereit. Parameteränderungen gehören zum Training.

Kann ein Reranker ein nicht indiziertes Dokument reparieren?

Nein. Die Passage muss zunächst im Index und in der Kandidatenliste vorhanden sein.

Zu welchem ​​Ergebnis soll diese Übung führen?

Behalten Sie die ursprüngliche Abfrage bei und testen Sie, ob Abrufgewinne zusätzliche Aufrufe rechtfertigen. Ein hypothetischer Text ist kein Beweis.

Wichtige Begriffe

• Abruf: Relevante Informationen in zugänglichen Quellen finden.
• Neu einordnen: Eine sorgfältigere Neuordnung der bereits abgerufenen Kandidaten.
• Regresie / Regression: Eine Änderung, die einen zuvor korrekten Fall aufhebt.

Quellen und Ihr nächster Schritt

• Gao et al. — HyDE
• Yan et al. — Korrektur-RAG
• Asai et al. — Selbst-RAG

Zur Vorbereitung: D06 – Aktualisierungen, Löschung und Neuindizierung