RAG avancé au-delà des modèles actuels
Advanced RAG ajoute des techniques pour les défaillances mesurées.
Ce que vous apprendrez
- Expliquez : un chiffon accède aux preuves, il ne se recycle pas
- Appliquez l'idée dans un exemple : RAG avancé au-delà des modèles actuels
- Reconnaître les limites et vérifier le résultat de l'exercice
Advanced RAG ajoute des techniques pour les défaillances mesurées. Ce ne sont pas automatiquement des options dans les modèles locaux.
Il s’agit d’un laboratoire conceptuel ou externe. Cela ne suppose pas que l’application expose tous les contrôles décrits.
Comment ça marche, étape par étape
RAG accède aux preuves, il ne se recycle pas
RAG signifie génération augmentée par récupération : la récupération fournit les passages pertinents avant que le modèle ne réponde. L'ingestion prépare les documents, tandis que l'exécution des requêtes recherche dans l'index et crée le contexte. Un modèle d'intégration représente le texte numériquement ; le modèle de réponse écrit la réponse. Les modèles de rerankers, de vision, de graphiques et de routeurs ont des rôles différents en cas de besoin. RAG aide avec les informations privées ou changeantes mais ne garantit pas la vérité. Utilisez une API autorisée pour les soldes, l'inventaire exact ou les autorisations ; un ancien document n'est pas une source fiable pour l'état actuel.
La recherche et le classement sont des étapes différentes
La récupération sélectionne les candidats et les classe. top_k est le nombre de résultats demandés ; l’augmenter peut apporter des preuves mais aussi du bruit. Un reranker examine la requête et les candidats de plus près. Il ne peut pas récupérer un passage manquant dans la liste initiale. BM25 recherche des correspondances lexicales et aide avec les codes exacts ; la recherche vectorielle recherche la similarité sémantique. RRF combine les positions dans les listes classées au lieu d'ajouter des scores avec des unités incompatibles. Les étapes supplémentaires doivent justifier leur qualité, leur latence et leur coût par des tests.
Définir le succès avant d’optimiser
Préparer les demandes représentatives et les réponses ou propriétés attendues. Incluez les cas ordinaires, les ambiguïtés, les données manquantes et les erreurs d'outils. Pour RAG, mesurez la récupération des preuves séparément de l’exactitude des réponses. Recall@k mesure la part de preuves pertinentes trouvées dans les k premiers résultats ; précision@k mesure la part des résultats renvoyés qui sont pertinents. Pour les agents, suivez également les actions, les autorisations et les arrêts. Un LLM en tant que juge peut accélérer l'évaluation mais doit être calibré par rapport aux humains. Ne modifiez pas simultanément l'invite, le modèle et l'index si vous souhaitez comprendre ce qui a amélioré les résultats.
Le schéma explicatif
Suivez les flèches pleines pour le flux principal. Les flèches bleues en pointillés fournissent des données ou un contexte ; les flèches roses en pointillés affichent des commentaires ou des résultats renvoyés. Les couleurs et les formes distinguent les modèles, les magasins, les décisions et les sorties. Ces contrôles de récupération avancés sont des concepts externes et non des modèles d'application supplémentaires. Sur un petit écran, faites défiler horizontalement pour suivre le schéma complet.
Un exemple complet
La réécriture des requêtes clarifie les requêtes ; variantes de recherches multi-requêtes ; HyDE crée un texte de récupération hypothétique ; la récupération contextuelle enrichit les morceaux. Vérifications correctives/auto-RAG et récupération répétée possible ; la récupération agentique choisit les étapes de manière dynamique.
Essayez-le vous-même
- Réécrivez trois questions ambiguës et vérifiez que l'intention reste inchangée.
- Enregistrez l’entrée, la source et le résultat attendu avant d’exécuter l’expérience. Utilisez uniquement les données fictives de l'exemple.
- Suivez les étapes du diagramme. À chaque étape, enregistrez les informations reçues et produites ; ne confondez pas le résultat intermédiaire avec le résultat final.
- Répétez après avoir supprimé les informations nécessaires ou rendu la saisie ambiguë. Vérifiez si le système clarifie, arrête ou invente une réponse.
- Comparez avec la solution expliquée. Conservez la configuration, la date, le résultat et une explication des différences. Changez une chose et retestez.
Une solution expliquée
Conservez la requête d'origine et testez si les gains de récupération justifient des appels supplémentaires ; un texte hypothétique ne constitue pas une preuve. Un exercice réussi vous permet de montrer le lien entre les contributions, les étapes et les résultats. Lorsqu’une information manque, une réponse prudente est plus utile que des détails inventés. Comparez bien plus que le style : vérifiez également les conditions, les sources et les opérations.
Quand cette approche est utile et quelles sont ses limites
La réécriture peut changer le sens ou supprimer un identifiant exact. Choisissez cette approche lorsqu’elle améliore un besoin mesuré. Gardez une base de référence simple et comparez les résultats en utilisant des entrées identiques. Un exemple réussi n’établit pas la fiabilité dans toutes les situations.
Vérifiez vos connaissances
RAG modifie-t-il les paramètres LLM ?
Non. Il fournit le contexte de l’heure de la demande ; les changements de paramètres appartiennent à la formation.
Un reranker peut-il réparer un document non indexé ?
Non. Le passage doit d'abord exister dans l'index et la liste des candidats.
Quel résultat cet exercice devrait-il produire ?
Conservez la requête d'origine et testez si les gains de récupération justifient des appels supplémentaires ; un texte hypothétique ne constitue pas une preuve.
Les mots à retenir
- Récupération: Trouver des informations pertinentes dans des sources accessibles.
- Reclassement: Une réorganisation plus soignée des candidats déjà récupérés.
- Régresie / Régression: Un changement qui brise un cas précédemment correct.
Sources et votre prochaine étape
Pour préparer : D06 — Mises à jour, suppression et réindexation