DocumentationRAG

Fondez chaque réponse dans vos connaissances.

Sélectionnez une architecture de récupération, configurez ses modèles et ses limites de recherche, puis indexez les documents qui doivent étayer les réponses.

Configuration en un coup d'oeil

6 modèles de récupération

Chaque RAG nécessite un nom, un modèle d'intégration et une dimension vectorielle. Les modèles graphiques, de routeur, de vision et de synthèse n'apparaissent que lorsque leurs fonctionnalités sont activées.

Aperçu

Créer un pipeline de récupération

Une configuration RAG convertit les documents sources en vecteurs et récupère le contexte pertinent pour chaque requête. Des modèles plus avancés ajoutent le reclassement, l'extraction visuelle, la traversée de graphiques, la recherche lexicale ou le routage basé sur l'intention.

1. Architecte

Choisissez la stratégie de récupération adaptée à la forme de vos connaissances.

2. Configurer

Sélectionnez des modèles, des dimensions vectorielles et des paramètres de récupération limités.

3. Sol

Téléchargez des documents, attendez l'indexation et inspectez la récupération avec de vraies requêtes.

Step 01

Sélectionnez un modèle RAG

Chaque modèle active un chemin de récupération différent et expose uniquement son modèle et ses commandes de réglage pertinents à la deuxième étape.

Naïf RAG

Recherche d'intégration sémantique directe suivie d'une génération de réponses fondées.

Récupérer et reclasser

Récupère un large pool de candidats, puis applique un reclassement neuronal pour conserver les passages les plus forts.

Multimodal RAG

Combine la récupération de texte avec des descriptions extraites d'images, de graphiques et de diagrammes.

Graphique RAG

Extrait les entités et les relations, puis parcourt un graphe de connaissances pour un contexte multi-sauts.

Hybride RAG

Fusionne une similarité vectorielle dense avec une correspondance de mots clés BM25 clairsemée pour un rappel équilibré.

Routeur RAG

Classifie chaque requête et l'achemine entre une recherche vectorielle, un parcours graphique ou une réponse directe.

Step 02 · Section 01

RAG Détails

Identifiez la base de connaissances et décrivez le domaine couvert par ses sources indexées.

RAG Section Détails avec nom et description — Créer RAG · Configuration d'identité

Nom RAGDOCS.REQUIS

Nom d'affichage utilisé dans les répertoires et sélecteurs RAG pour les agents, les widgets et les cibles API.

Utilisez un nom orienté domaine tel que Enterprise Knowledge Base ou Technical Manual Search.

DescriptionDOCS.FACULTATIVE

Un résumé concis du domaine de connaissances, du matériel source et du but de la récupération.

Cela aide les collaborateurs à choisir la bonne base de connaissances ; il n'est pas inséré dans le contexte récupéré.

Step 02 · Section 02

Modèle d'intégration de vecteurs

Le modèle d'intégration convertit les fragments de documents et les requêtes en vecteurs numériques. La dimension sélectionnée fixe la forme vectorielle utilisée pour l'indexation et la recherche de similarité.

Section Modèle d'intégration vectorielle avec contrôles d'intégration et de dimension — Créer RAG · Configuration d'intégration

Modèle d'intégrationRequis

Sélectionne le modèle de fournisseur utilisé pour encoder à la fois les morceaux de document et les requêtes entrantes.

Utilisez la même configuration d’intégration tout au long de la durée de vie d’un index pour des vecteurs comparables.

Dimension vectorielleRequis

Définit le nombre de valeurs numériques stockées pour chaque représentation vectorielle.

Les dimensions disponibles dépendent du modèle ; l'interface actuelle propose des valeurs prises en charge telles que 256, 512, 768, 1536 et 3072.

Step 02 · Section 03

Modèle IA de reclassement

Le modèle de reclassement applique un cross-encoder neuronal pour évaluer chaque passage candidat au regard de la requête après une large recherche vectorielle. Il réordonne les candidats afin que le contexte final conserve les passages les plus pertinents.

Modèle de reclassementRequis

Sélectionne le cross-encoder utilisé pour évaluer les candidats issus de la recherche vectorielle par rapport à chaque requête.

Requis pour Retrieve-and-Rerank. Il réordonne le groupe de candidats initial_top_k avant le renvoi des passages final_top_k.

Step 02 · Sections 04–07

Modèles AI spécialisés

Des modèles supplémentaires apparaissent uniquement lorsque l'architecture ou une fonctionnalité facultative en a besoin. Chaque modèle de raisonnement compatible peut également exposer un sélecteur d'effort après sélection.

Section Modèle d'extraction de Knowledge Graph — Graphique RAG · Extraction d'entités et de relations

Section Modèle de classificateur d'intention de requête — Routeur RAG · Classification des requêtes

Section Modèle de description de vision et de média activé — Facultatif · Extraction des ressources visuelles

Section du modèle AI de synthèse de réponse activée — Facultatif · Synthèse de réponse fondée

Modèle graphiqueConditionnelle

Extrait les nœuds d'entité, les relations sémantiques et les triples structurés lors de l'indexation.

Requis par le graphique RAG et le routeur RAG.

Modèle de routeurConditionnelle

Classifie l'intention entrante et sélectionne la récupération de vecteurs, le parcours graphique ou la réponse directe.

Requis uniquement par le routeur RAG.

Modèle de visionConditionnelle

Décrit des images, des graphiques et des diagrammes afin que les informations visuelles puissent rejoindre le contexte de recherche.

Bascule facultative. Une fois activé, la sélection d’un modèle compatible devient obligatoire.

Modèle de réponseConditionnelle

Transforme les passages récupérés en une réponse conversationnelle fondée pour les requêtes et widgets RAG autonomes.

Bascule facultative. Lorsqu'il est désactivé, le pipeline renvoie directement les passages de contexte formatés.

Effort de raisonnementConditionnelle

Applique un niveau d'effort pris en charge aux modèles de graphique, de routeur, de vision ou de réponse.

Affiché uniquement lorsque le modèle sélectionné publie des options d'effort de raisonnement.

TempératureConditionnelle

Contrôle la variation de la sortie générée pour les étapes génératives applicables.

Par défaut : 0,2. Plage : 0,0 à 2,0 ; indisponible pour les modèles qui ne supportent pas la température.

Step 02 · Section 08

Paramètres d'architecture et de récupération

Les curseurs contrôlent la quantité de contexte candidat collecté à chaque étape. La carte change avec le modèle sélectionné, de sorte que seuls les paramètres utilisés par ce pipeline sont affichés.

Paramètre	Modèle	Par défaut/plage	But
top_k	Naïf, multimodal, routeur	5 · 1-50	Passages injectés dans le contexte final.
initial_top_k	Récupérer et reclasser	25 · 5-100	Large pool de candidats sémantiques avant reclassement.
final_top_k	Reclassement, hybride	5 · 1-20	Passages conservés après reclassement ou fusion de rang.
vecteur_top_k	Graphique	4 · 1-20	Morceaux de départ sémantiques utilisés pour localiser les entités graphiques.
graph_profondeur	Graphique	1 · 1–3	Sauts de relation traversés à partir des entités de départ.
graph_limite	Graphique	20 · 1-100	Triples entité-relation maximum ajoutés au contexte.
vecteur_k	Hybride	15 · 1-50	Candidats sémantiques denses inclus dans la fusion de rangs.
bm25_k	Hybride	15 · 1-50	Candidats lexicaux clairsemés inclus dans la fusion de rangs.

Step 02 · Section 08

Documents de la base de connaissances

Enregistrez d'abord le RAG pour activer le téléchargement de documents. Les fichiers téléchargés sont indexés avec le modèle d'intégration sélectionné et deviennent disponibles pour la récupération une fois le traitement terminé.

La modification du modèle d'intégration ou de la dimension vectorielle après l'indexation peut nécessiter le retraitement des documents afin que les vecteurs stockés restent compatibles.

Step 02 · Section 09

Test de requêtes en direct

Après avoir enregistré et indexé les documents, soumettez des requêtes représentatives pour inspecter la réponse fondée, les morceaux récupérés, les faits extraits, les étapes d'exécution et le contexte assemblé.

Section Test de requête en direct et aperçu fondé avant l'enregistrement du RAG — Créer RAG · Tests de récupération

Obligatoire avant l'enregistrement

Modèle, nom RAG, modèle d'intégration, dimension vectorielle et chaque modèle requis par l'architecture sélectionnée.

Après la création

Utilisez des questions qui nécessitent des faits exacts et une synthèse multi-sources, puis ajustez les limites de récupération en fonction des preuves renvoyées.