DokumentationRAG

Begründen Sie jede Antwort Ihr Wissen.

Wählen Sie eine Abrufarchitektur aus, konfigurieren Sie deren Modelle und Suchgrenzen und indizieren Sie dann die Dokumente, die Antworten begründen sollen.

Konfiguration auf einen Blick

6 Abrufmuster

Jeder RAG erfordert einen Namen, ein Einbettungsmodell und eine Vektordimension. Diagramm-, Router-, Vision- und Synthesemodelle werden nur angezeigt, wenn ihre Funktionen aktiviert sind.

Überblick

Erstellen Sie eine Abrufpipeline

Eine RAG-Konfiguration konvertiert Quelldokumente in Vektoren und ruft den relevanten Kontext für jede Abfrage ab. Fortgeschrittenere Muster umfassen Reranking, visuelle Extraktion, Graph-Traversal, lexikalische Suche oder absichtsbasiertes Routing.

1. Architekt

Wählen Sie die Abrufstrategie entsprechend der Form Ihres Wissens.

2. Konfigurieren

Wählen Sie Modelle, Vektordimensionen und begrenzte Abrufparameter aus.

3. Boden

Laden Sie Dokumente hoch, warten Sie auf die Indizierung und überprüfen Sie den Abruf mit echten Abfragen.

Step 01

Wählen Sie ein RAG-Muster aus

Jedes Muster aktiviert einen anderen Abrufpfad und stellt in Schritt zwei nur die relevanten Modell- und Optimierungssteuerelemente bereit.

Naiv RAG

Direkte semantische Einbettungssuche, gefolgt von fundierter Antwortgenerierung.

Abrufen und neu einordnen

Ruft einen breiten Kandidatenpool ab und wendet dann eine neuronale Neubewertung an, um die stärksten Passagen beizubehalten.

Multimodaler RAG

Kombiniert die Textsuche mit Beschreibungen, die aus Bildern, Diagrammen und Schaubildern extrahiert wurden.

Diagramm RAG

Extrahiert Entitäten und Beziehungen und durchläuft dann einen Wissensgraphen für Multi-Hop-Kontext.

Hybrid RAG

Vereint dichte Vektorähnlichkeit mit spärlicher BM25-Schlüsselwortübereinstimmung für eine ausgewogene Erinnerung.

Router RAG

Klassifiziert jede Abfrage und leitet sie zwischen Vektorsuche, Diagrammdurchquerung oder direkter Antwort weiter.

Step 02 · Section 01

RAG Details

Identifizieren Sie die Wissensdatenbank und beschreiben Sie den Bereich, der von den indizierten Quellen abgedeckt wird.

RAG Detailbereich mit Name und Beschreibung — Erstellen Sie eine RAG · Identitätskonfiguration

RAG NameDOCS.ERFORDERLICH

Der Anzeigename, der in RAG-Verzeichnissen und Selektoren für Agenten, Widgets und API-Ziele verwendet wird.

Verwenden Sie einen domänenorientierten Namen wie Enterprise Knowledge Base oder Technical Manual Search.

BeschreibungOptional

Eine prägnante Zusammenfassung des Wissensbereichs, des Quellenmaterials und des Abrufzwecks.

Dies hilft den Mitarbeitern bei der Auswahl der richtigen Wissensdatenbank. Es wird nicht in den abgerufenen Kontext eingefügt.

Step 02 · Section 02

Vektor-Einbettungsmodell

Das Einbettungsmodell wandelt Dokumentblöcke und Abfragen in numerische Vektoren um. Die ausgewählte Dimension legt die Vektorform fest, die für die Indizierung und Ähnlichkeitssuche verwendet wird.

EinbettungsmodellErforderlich

Wählt das Anbietermodell aus, das zum Codieren sowohl von Dokumentblöcken als auch eingehender Abfragen verwendet wird.

Verwenden Sie während der gesamten Lebensdauer eines Index für vergleichbare Vektoren dieselbe Einbettungskonfiguration.

VektordimensionErforderlich

Legt die Anzahl der für jede Vektordarstellung gespeicherten numerischen Werte fest.

Verfügbare Abmessungen hängen vom Modell ab; Die aktuelle Schnittstelle bietet unterstützte Werte wie 256, 512, 768, 1536 und 3072.

Step 02 · Section 03

KI-Reranking-Modell

Das Reranking-Modell bewertet jeden Kandidatenabschnitt nach der breiten Vektorsuche mithilfe eines neuronalen Cross-Encoders anhand der Benutzeranfrage. Es ordnet die Kandidaten neu, damit der endgültige Kontext die relevantesten Abschnitte enthält.

Reranking-ModellErforderlich

Wählt den Cross-Encoder aus, der die Kandidaten der Vektorsuche anhand jeder Anfrage bewertet.

Für Retrieve-and-Rerank erforderlich. Das Modell ordnet den initial_top_k-Kandidatenpool neu, bevor die final_top_k-Passagen zurückgegeben werden.

Step 02 · Sections 04–07

Spezialisierte AI-Modelle

Zusätzliche Modelle werden nur angezeigt, wenn die Architektur oder eine optionale Funktion sie erfordert. Jedes kompatible Argumentationsmodell kann nach der Auswahl auch einen Aufwandsselektor verfügbar machen.

Abschnitt „Wissensgraph-Extraktionsmodell“. — Diagramm RAG · Extraktion von Entitäten und Beziehungen

Abschnitt „Query Intent Classifier Model“. — Router RAG · Abfrageklassifizierung

Abschnitt „Vision- und Medienbeschreibungsmodell“ aktiviert — Optional · Visuelle Asset-Extraktion

Aktivierter Antwortsynthese-AI-Modellabschnitt — Optional · Geerdete Antwortsynthese

DiagrammmodellBedingt

Extrahiert Entitätsknoten, semantische Beziehungen und strukturierte Tripel während der Indizierung.

Erforderlich für Graph RAG und Router RAG.

Router-ModellBedingt

Klassifiziert eingehende Absichten und wählt Vektorabruf, Diagrammdurchquerung oder direkte Antwort aus.

Nur für Router RAG erforderlich.

VisionsmodellBedingt

Beschreibt Bilder, Diagramme und Diagramme, sodass visuelle Informationen in den durchsuchbaren Kontext eingefügt werden können.

Optionaler Umschalter. Nach der Aktivierung ist die Auswahl eines kompatiblen Modells erforderlich.

ReaktionsmodellBedingt

Verwandelt abgerufene Passagen in eine fundierte Konversationsantwort für eigenständige RAG-Abfragen und Widgets.

Optionaler Umschalter. Wenn diese Option deaktiviert ist, gibt die Pipeline formatierte Kontextpassagen direkt zurück.

ArgumentationsaufwandBedingt

Wendet eine unterstützte Aufwandsstufe auf Diagramm-, Router-, Vision- oder Antwortmodelle an.

Wird nur angezeigt, wenn das ausgewählte Modell Argumentationsaufwandsoptionen veröffentlicht.

TemperaturBedingt

Steuert Variationen in der generierten Ausgabe für anwendbare generative Stufen.

Standard: 0,2. Bereich: 0,0–2,0; Nicht verfügbar für Modelle, die keine Temperatur unterstützen.

Step 02 · Section 08

Architektur- und Abrufparameter

Schieberegler steuern die Menge des Kandidatenkontexts, der in jeder Phase gesammelt wird. Die Karte ändert sich mit dem ausgewählten Muster, sodass nur von dieser Pipeline verwendete Parameter angezeigt werden.

Parameter	Muster	Standard/Bereich	Zweck
top_k	Naiv, multimodal, Router	5 · 1–50	Passagen, die in den endgültigen Kontext eingefügt werden.
initial_top_k	Abrufen und neu einordnen	25 · 5–100	Breiter semantischer Kandidatenpool vor dem Reranking.
final_top_k	Neu einordnen, Hybrid	5 · 1–20	Passagen bleiben nach Rangänderung oder Rangverschmelzung erhalten.
vector_top_k	Graph	4 · 1–20	Semantische Seed-Chunks, die zum Auffinden von Diagrammentitäten verwendet werden.
graph_length	Graph	1 · 1–3	Von den Seed-Entitäten ausgehende Beziehungssprünge.
graph_limit	Graph	20 · 1–100	Maximale Entitäts-Beziehungs-Tripel, die dem Kontext hinzugefügt wurden.
vector_k	Hybrid	15 · 1–50	Dichte semantische Kandidaten, die in die Rangfusion einbezogen werden.
bm25_k	Hybrid	15 · 1–50	In der Rangverschmelzung enthaltene spärliche lexikalische Kandidaten.

Step 02 · Section 08

Dokumente der Wissensdatenbank

Speichern Sie zuerst RAG, um das Hochladen von Dokumenten zu ermöglichen. Hochgeladene Dateien werden mit dem ausgewählten Einbettungsmodell indiziert und stehen nach Abschluss der Verarbeitung zum Abruf zur Verfügung.

Abschnitt „Wissensdatenbankdokumente“, bevor RAG gespeichert wird — Erstellen Sie RAG · Dokumentindizierung

Das Ändern des Einbettungsmodells oder der Vektordimension nach der Indizierung kann eine erneute Verarbeitung von Dokumenten erforderlich machen, damit gespeicherte Vektoren kompatibel bleiben.

Step 02 · Section 09

Live-Abfragetests

Senden Sie nach dem Speichern und Indizieren von Dokumenten repräsentative Abfragen, um die fundierte Antwort, die abgerufenen Teile, die extrahierten Fakten, die Ausführungsschritte und den zusammengestellten Kontext zu überprüfen.

Abschnitt „Live Query Testing“ und „Grounded Preview“, bevor RAG gespeichert wird — Erstellen Sie RAG · Abruftest

Vor dem Speichern erforderlich

Muster, RAG-Name, Einbettungsmodell, Vektordimension und jedes für die ausgewählte Architektur erforderliche Modell.

Nach der Schöpfung

Verwenden Sie Fragen, die genaue Fakten und eine Synthese aus mehreren Quellen erfordern, und passen Sie dann die Abrufgrenzen basierend auf den zurückgegebenen Beweisen an.