Naive RAG: tu línea de base

Naive RAG es una línea de base clara: recuperación semántica, ensamblaje y generación de contexto. La baja complejidad facilita el diagnóstico.

Estos pasos se refieren a las características identificadas en el código de la aplicación. Este material no ha sido validado en una instancia en vivo; consulta la documentación y las opciones de tu versión.

Cómo funciona, paso a paso

RAG accede a la evidencia, no se vuelve a capacitar

RAG significa generación aumentada de recuperación: la recuperación proporciona pasajes relevantes antes de que el modelo responda. La ingestión prepara documentos, mientras que la ejecución de consultas busca en el índice y crea contexto. Un modelo de incrustación representa el texto numéricamente; el modelo de respuesta escribe la respuesta. Los modelos de reordenamiento, visión, gráficos y enrutadores tienen diferentes roles cuando es necesario. RAG ayuda con información privada o cambiante pero no garantiza la veracidad. Utilice una API autorizada para saldos, inventario exacto o permisos; un documento antiguo no es una fuente confiable para el estado actual.

Coordenadas de significado

Una incrustación es un vector numérico calculado por un modelo. Los textos con significados relacionados tienden a estar cerca unos de otros en el espacio de ese modelo, pero la similitud no garantiza la relevancia. Consultas y documentos deben compartir un espacio compatible: modelo y dimensiones coincidentes. Un mapa de dos ejes es ilustrativo; Los vectores reales pueden tener cientos o miles de dimensiones. Reconstruya y vuelva a probar el índice al cambiar el modelo o las dimensiones. La similitud del coseno compara las direcciones de los vectores; no es la probabilidad de que una respuesta sea verdadera.

Defina el éxito antes de optimizar

Preparar solicitudes representativas y respuestas o propiedades esperadas. Incluya casos comunes, ambigüedad, datos faltantes y errores de herramientas. Para RAG, mida la recuperación de evidencia por separado de la corrección de las respuestas. Recall@k mide la proporción de evidencia relevante encontrada en los primeros k resultados; precision@k mide la proporción de resultados devueltos que son relevantes. Para los agentes, también realice un seguimiento de las acciones, los permisos y las detenciones. Un LLM como juez puede acelerar la evaluación, pero necesita una calibración con respecto a los humanos. No cambie el indicador, el modelo y el índice simultáneamente si desea comprender qué mejoró los resultados.

laboratorio detallado

Pruebe la recuperación antes de escribir

Utilice el mismo catálogo, entrega y accesorios de política. Después de la indexación, pregunte "¿Cuál es la fecha límite para un producto no utilizado?". La recuperación debe incluir el plazo y las condiciones. Luego comprueba que la respuesta los conserva sin inventar excepciones.

Pregunte "¿Qué garantía comercial se aplica?". El corpus no contiene tal información. Un buen resultado reconoce esa ausencia. Si la recuperación no cumple con la política, diagnostique la fuente y el índice; si encuentra una política pero la respuesta la ignora, inspecciona el contexto y la generación.

El esquema explicativo

Siga las flechas sólidas para el flujo principal. Las flechas azules discontinuas proporcionan datos o contexto; Las flechas discontinuas de color rosa muestran comentarios o resultados devueltos. Colores y formas distinguen modelos, tiendas, decisiones y resultados. La recuperación devuelve evidencia. Si un modelo de respuesta está habilitado, también redacta una respuesta; La evidencia recuperada aún necesita ser revisada. En pantallas pequeñas, desplázate horizontalmente para seguir todo el esquema.

Un ejemplo completo

Dispones de póliza, catálogo y documentos de entrega. Comience con top_k=4 y pregunte la fecha límite de devolución. Verifique que el pasaje correcto alcance el contexto antes de cambiar el mensaje.

template: Naive
top_k: 4

Pruébalo tú mismo

1. Cree Naive RAG, elija modelos de incrustación y respuesta, cargue datos y pruebe después de la indexación.
2. Registre la entrada, la fuente y el resultado esperado antes de ejecutar el experimento. Utilice únicamente los datos ficticios del ejemplo.
3. Siga las etapas del diagrama. En cada paso registre qué información se recibe y se produce; No confunda el resultado intermedio con el resultado final.
4. Repita después de eliminar la información necesaria o hacer que la entrada sea ambigua. Compruebe si el sistema aclara, detiene o inventa una respuesta.
5. Comparar con la solución explicada. Conserve la configuración, fecha, resultado y una explicación de las diferencias. Cambie una cosa y vuelva a probar.

Una solución explicada

Se recupera el pasaje de la póliza y la respuesta conserva 14 días y condiciones. Un ejercicio exitoso le permite mostrar la conexión entre los aportes, las etapas y el resultado. Cuando falta información, una respuesta cautelosa es más útil que detalles inventados. Compare más que estilo: compruebe también las condiciones, las fuentes y las operaciones.

Cuándo resulta útil y cuáles son sus límites

Un top_k más grande también puede agregar contexto irrelevante. Elija este enfoque cuando mejore una necesidad medida. Mantenga una línea de base simple y compare los resultados utilizando insumos idénticos. Un ejemplo exitoso no establece confiabilidad en todas las situaciones.

Comprueba lo que has aprendido

¿RAG cambia los parámetros de LLM?

No. Proporciona contexto en el momento de la solicitud; Los cambios de parámetros pertenecen al entrenamiento.

¿Puedes comparar directamente vectores de diferentes modelos?

Generalmente no; sus espacios no son automáticamente compatibles.

¿Qué resultado debería producir este ejercicio?

Se recupera el pasaje de la póliza y la respuesta conserva 14 días y condiciones.

Términos que conviene recordar

• Recuperación: Encontrar información relevante en fuentes accesibles.
• incrustar: Una representación numérica utilizada para comparar contenido.
• Regresión / Regresión: Un cambio que rompe un caso previamente correcto.

Fuentes y su próximo paso

• Lewis et al. — Generación aumentada de recuperación
• LangGraph — Flujos de trabajo y agentes

Para preparar: R02 — Incrustaciones y búsqueda de vectores