Naive RAG: jouw basislijn
Naïeve RAG is een duidelijke basislijn: semantisch ophalen, contextsamenstellen en genereren.
Wat je gaat leren
- Leg uit: vod heeft toegang tot bewijsmateriaal, het herleidt niet
- Pas het idee toe in een voorbeeld: Naïeve RAG: uw basislijn
- Herken beperkingen en verifieer het resultaat van de oefening
Naïeve RAG is een duidelijke basislijn: semantisch ophalen, contextsamenstellen en genereren. Een lage complexiteit maakt de diagnose eenvoudiger.
Deze stappen verwijzen naar de functies die in de applicatiecode zijn geïdentificeerd. Dit materiaal is niet gevalideerd op een live exemplaar; controleer de documentatie en de opties in uw versie.
Hoe het werkt, stap voor stap
RAG heeft toegang tot bewijsmateriaal, maar herschoolt niet
RAG betekent retrieval-augmentedgeneration: ophalen levert relevante passages op voordat het model antwoordt. Ingestion bereidt documenten voor, terwijl de uitvoering van query's de index doorzoekt en context opbouwt. Een inbeddingsmodel geeft tekst numeriek weer; het responsmodel schrijft het antwoord. Rerankers, vision-, grafiek- en routermodellen vervullen indien nodig verschillende rollen. RAG helpt bij privé- of veranderende informatie, maar garandeert de waarheid niet. Gebruik een geautoriseerde API voor saldi, exacte inventarisatie of machtigingen; een oud document is geen betrouwbare bron voor de huidige stand van zaken.
Coördinaten voor betekenis
Een inbedding is een numerieke vector die door een model wordt berekend. Teksten met verwante betekenissen hebben de neiging dicht bij elkaar te liggen in de ruimte van dat model, maar gelijkenis garandeert geen relevantie. Query's en documenten moeten een compatibele ruimte delen: passend model en afmetingen. Een kaart met twee assen is illustratief; echte vectoren kunnen honderden of duizenden dimensies hebben. Herbouw en test de index opnieuw wanneer u het model of de afmetingen wijzigt. Cosinus-overeenkomst vergelijkt vectorrichtingen; het is niet de waarschijnlijkheid dat een antwoord waar is.
Definieer succes voordat u gaat optimaliseren
Bereid representatieve verzoeken en verwachte antwoorden of eigenschappen voor. Inclusief gewone gevallen, dubbelzinnigheid, ontbrekende gegevens en gereedschapsfouten. Meet voor RAG het ophalen van bewijsmateriaal afzonderlijk van de correctheid van het antwoord. Recall@k meet het aandeel relevant bewijsmateriaal gevonden in de eerste k-resultaten; Precision@k meet het aandeel geretourneerde resultaten dat relevant is. Voor agenten: houd ook acties, machtigingen en stoppen bij. Een LLM-als-rechter kan de evaluatie versnellen, maar moet worden gekalibreerd ten opzichte van mensen. Wijzig de prompt, het model en de index niet tegelijkertijd als u wilt begrijpen wat de resultaten verbeterden.
Gedetailleerd laboratorium
Test het ophalen voordat u schrijft
Gebruik dezelfde catalogus-, leverings- en polisvoorwaarden. Vraag na het indexeren: “Wat is de deadline voor een ongebruikt product?”. Bij het ophalen moeten de deadline en voorwaarden worden vermeld. Controleer vervolgens of het antwoord ze bewaart zonder uitzonderingen te bedenken.
Vraag “Welke commerciële garantie is van toepassing?”. Het corpus bevat dergelijke informatie niet. Een goed resultaat erkent die afwezigheid. Als het ophalen het beleid mist, diagnosticeer dan de bron en index; als het beleid vindt maar het antwoord het negeert, inspecteer dan de context en de generatie.
Het verklarende schema
Volg de ononderbroken pijlen voor de hoofdstroom. Gestippelde blauwe pijlen leveren gegevens of context; roze pijlen geven feedback of geretourneerde resultaten weer. Kleuren en vormen onderscheiden modellen, winkels, beslissingen en resultaten. Ophalen levert bewijsmateriaal op. Als een antwoordmodel is ingeschakeld, wordt er ook een antwoord samengesteld; Het opgehaalde bewijsmateriaal moet nog worden gecontroleerd. Scrol op kleine schermen horizontaal om het hele schema te volgen.
Een compleet voorbeeld
U beschikt over polis-, catalogus- en leveringsdocumenten. Begin met top_k=4 en vraag de retourdeadline. Controleer of de juiste passage de context bereikt voordat u de prompt wijzigt.
template: Naive
top_k: 4
Probeer het zelf
- Creëer Naïeve RAG, kies inbeddings- en responsmodellen, upload gegevens en test na indexering.
- Leg de input, bron en verwachte uitkomst vast voordat u het experiment uitvoert. Gebruik alleen de fictieve gegevens in het voorbeeld.
- Volg de diagramfasen. Registreer bij elke stap welke informatie wordt ontvangen en geproduceerd; verwar de tussentijdse output niet met het uiteindelijke resultaat.
- Herhaal dit nadat de noodzakelijke informatie is verwijderd of de invoer dubbelzinnig is gemaakt. Controleer of het systeem een antwoord verduidelijkt, stopt of verzint.
- Vergelijk met de uitgelegde oplossing. Bewaar de configuratie, datum, resultaat en een verklaring voor verschillen. Verander één ding en test opnieuw.
Een uitgelegde oplossing
De beleidspassage wordt opgehaald en het antwoord behoudt 14 dagen en voorwaarden. Met een succesvolle oefening kun je het verband tussen input, fasen en uitkomst laten zien. Als er informatie ontbreekt, is een voorzichtig antwoord nuttiger dan verzonnen details. Vergelijk meer dan stijl: controleer ook voorwaarden, bronnen en bewerkingen.
Wanneer deze aanpak helpt en wat de beperkingen zijn
Een grotere top_k kan ook irrelevante context toevoegen. Kies deze aanpak wanneer deze een gemeten behoefte verbetert. Houd een eenvoudige basislijn aan en vergelijk de resultaten met behulp van identieke inputs. Eén succesvol voorbeeld garandeert niet in elke situatie betrouwbaarheid.
Controleer wat je hebt geleerd
Verandert RAG de LLM-parameters?
Nee. Het levert context op verzoektijd; parameterwijzigingen horen bij training.
Kun je vectoren uit verschillende modellen rechtstreeks vergelijken?
Over het algemeen nee; hun ruimtes zijn niet automatisch compatibel.
Welk resultaat moet deze oefening opleveren?
De beleidspassage wordt opgehaald en het antwoord behoudt 14 dagen en voorwaarden.
Begrippen om te onthouden
- Ophalen: Relevante informatie vinden in toegankelijke bronnen.
- Inbedding: een numerieke weergave die wordt gebruikt om inhoud te vergelijken.
- Regressie / regressie: Een wijziging die een voorheen correcte casus doorbreekt.
Bronnen en uw volgende stap
Ter voorbereiding: R02 — Inbedding en zoeken naar vectoren