DocumentatieRAG

Aard elk antwoord jouw kennis.

Selecteer een ophaalarchitectuur, configureer de modellen en zoeklimieten ervan en indexeer vervolgens de documenten die antwoorden moeten verzamelen.

Configuratie in één oogopslag

6 ophaalpatronen

Elke RAG vereist een naam, een inbeddingsmodel en een vectordimensie. Grafiek-, router-, vision- en synthesemodellen verschijnen alleen als hun mogelijkheden zijn ingeschakeld.

Overzicht

Bouw een ophaalpijplijn

Een RAG-configuratie converteert brondocumenten naar vectoren en haalt voor elke zoekopdracht de relevante context op. Meer geavanceerde patronen omvatten herschikking, visuele extractie, grafiekdoorloop, lexicaal zoeken of op intentie gebaseerde routering.

1. Architect

Kies de vindstrategie die past bij de vorm van uw kennis.

2. Configureer

Selecteer modellen, vectorafmetingen en begrensde ophaalparameters.

3. Aarde

Upload documenten, wacht op indexering en inspecteer het ophalen met echte zoekopdrachten.

Step 01

Selecteer een RAG-patroon

Elk patroon activeert een ander ophaalpad en geeft in stap twee alleen het relevante model en de afstemmingsknoppen weer.

Naïef RAG

Direct zoeken naar semantische inbedding, gevolgd door het genereren van gegronde antwoorden.

Ophalen en opnieuw rangschikken

Haalt een brede kandidatenpool op en past vervolgens neurale herschikking toe om de sterkste passages te behouden.

Multimodale RAG

Combineert het ophalen van tekst met beschrijvingen uit afbeeldingen, grafieken en diagrammen.

Grafiek RAG

Extraheert entiteiten en relaties en doorloopt vervolgens een kennisgrafiek voor multi-hop-context.

Hybride RAG

Combineert een dichte vectorovereenkomst met spaarzame BM25-trefwoordmatching voor een evenwichtige herinnering.

RouterRAG

Classificeert elke zoekopdracht en routeert deze tussen vectorzoekopdracht, grafiekdoorgang of directe respons.

Step 02 · Section 01

RAG-details

Identificeer de kennisbank en beschrijf het domein dat door de geïndexeerde bronnen wordt bestreken.

RAG NaamDOCS.VEREIST

De weergavenaam die wordt gebruikt in RAG-directory's en selectors voor agenten, widgets en API-doelen.

Gebruik een domeingeoriënteerde naam, zoals Enterprise Knowledge Base of Technical Manual Search.

BeschrijvingDOCS.OPTIONEEL

Een beknopte samenvatting van het kennisdomein, het bronmateriaal en het ontsluitingsdoel.

Dit helpt medewerkers bij het kiezen van de juiste kennisbank; het wordt niet in de opgehaalde context ingevoegd.

Step 02 · Section 02

Vector-inbeddingsmodel

Het inbeddingsmodel converteert documentfragmenten en query's naar numerieke vectoren. De geselecteerde dimensie legt de vectorvorm vast die wordt gebruikt voor indexering en zoeken naar gelijkenissen.

InbeddingsmodelVereist

Selecteert het providermodel dat wordt gebruikt om zowel documentfragmenten als inkomende query's te coderen.

Gebruik gedurende de hele levensduur van een index dezelfde inbeddingsconfiguratie voor vergelijkbare vectoren.

VectordimensieVereist

Stelt het aantal numerieke waarden in dat voor elke vectorrepresentatie is opgeslagen.

Beschikbare afmetingen zijn afhankelijk van het model; de huidige interface biedt ondersteunde waarden zoals 256, 512, 768, 1536 en 3072.

Step 02 · Section 03

AI-rerankmodel

Het rerankmodel gebruikt een neurale cross-encoder om na brede vectorzoekopdrachten elk kandidaatfragment te beoordelen op relevantie voor de gebruikersvraag. Het rangschikt de kandidaten opnieuw, zodat de uiteindelijke context de meest relevante fragmenten bevat.

RerankmodelVereist

Selecteert de cross-encoder die kandidaten uit de vectorzoekopdracht beoordeelt op basis van elke vraag.

Vereist voor Retrieve-and-Rerank. Het rangschikt de pool van initial_top_k-kandidaten opnieuw voordat final_top_k-fragmenten worden geretourneerd.

Step 02 · Sections 04–07

Gespecialiseerde AI-modellen

Extra modellen verschijnen alleen wanneer de architectuur of een optionele mogelijkheid deze nodig heeft. Elk compatibel redeneermodel kan na selectie ook een inspanningsselector blootleggen.

Sectie Kennisgrafiekextractiemodel — Grafiek RAG · Extractie van entiteiten en relaties

Sectie Query-intentieclassificatiemodel — Router RAG · Queryclassificatie

Ingeschakeld Visie en mediabeschrijving Modelsectie — Optioneel · Visuele extractie van activa

Ingeschakelde responssynthese AI-modelsectie — Optioneel · Geaarde responssynthese

GrafiekmodelVoorwaardelijk

Extraheert entiteitsknooppunten, semantische relaties en gestructureerde triples tijdens het indexeren.

Vereist door Graph RAG en router RAG.

RoutermodelVoorwaardelijk

Classificeert inkomende intentie en selecteert vectorherstel, grafiekdoorgang of directe respons.

Alleen vereist door router RAG.

VisiemodelVoorwaardelijk

Beschrijft afbeeldingen, grafieken en diagrammen zodat visuele informatie kan worden toegevoegd aan de doorzoekbare context.

Optionele schakelaar. Eenmaal ingeschakeld, is het selecteren van een compatibel model vereist.

ReactiemodelVoorwaardelijk

Verandert opgehaalde passages in een gefundeerd gespreksantwoord voor zelfstandige RAG-query's en widgets.

Optionele schakelaar. Indien uitgeschakeld, retourneert de pijplijn direct opgemaakte contextpassages.

Redenerende inspanningVoorwaardelijk

Past een ondersteund inspanningsniveau toe op grafiek-, router-, vision- of responsmodellen.

Wordt alleen weergegeven als het geselecteerde model opties voor redeneerinspanningen publiceert.

TemperatuurVoorwaardelijk

Beheert de variatie in de gegenereerde uitvoer voor toepasselijke generatieve fasen.

Standaard: 0,2. Bereik: 0,0–2,0; niet beschikbaar voor modellen die geen temperatuurondersteuning bieden.

Step 02 · Section 08

Architectuur- en ophaalparameters

Schuifregelaars bepalen de hoeveelheid kandidaatcontext die in elke fase wordt verzameld. De kaart verandert met het geselecteerde patroon, dus alleen parameters die door die pijplijn worden gebruikt, worden weergegeven.

Parameter	Patroon	Standaard / Bereik	Doel
top_k	Naïef, multimodaal, router	5 · 1–50	Passages geïnjecteerd in de uiteindelijke context.
initial_top_k	Ophalen en opnieuw rangschikken	25 · 5–100	Brede semantische kandidatenpool vóór herschikking.
final_top_k	Herschik, hybride	5 · 1–20	Passages behouden na herschikking of rangschikking.
vector_top_k	Grafiek	4 · 1–20	Semantische zaadblokken die worden gebruikt om grafiekentiteiten te lokaliseren.
grafiek_diepte	Grafiek	1 · 1–3	Relatie-hops zijn doorkruist vanuit de zaadentiteiten.
grafiek_limiet	Grafiek	20 · 1–100	Maximale verdrievoudiging van entiteitsrelaties toegevoegd aan context.
vector_k	Hybride	15 · 1–50	Dichte semantische kandidaten opgenomen in rangfusie.
bm25_k	Hybride	15 · 1–50	Schaarse lexicale kandidaten opgenomen in rangfusie.

Step 02 · Section 08

Kennisbankdocumenten

Sla eerst de RAG op om documentuploads mogelijk te maken. Geüploade bestanden worden geïndexeerd met het geselecteerde inbeddingsmodel en kunnen worden opgehaald nadat de verwerking is voltooid.

Knowledge Base Documenten-sectie voordat de RAG wordt opgeslagen — RAG aanmaken · Documentindexering

Als u het inbeddingsmodel of de vectordimensie na indexering wijzigt, kan het nodig zijn dat documenten opnieuw worden verwerkt, zodat opgeslagen vectoren compatibel blijven.

Step 02 · Section 09

Live query-testen

Na het opslaan en indexeren van documenten kunt u representatieve vragen indienen om het gegronde antwoord, de opgehaalde brokken, de geëxtraheerde feiten, de uitvoeringsstappen en de verzamelde context te inspecteren.

Live Query Testing en Grounded Preview-sectie voordat de RAG wordt opgeslagen — RAG aanmaken · Ophaaltests

Vereist vóór opslaan

Patroon, RAG-naam, inbeddingsmodel, vectordimensie en elk model dat vereist is voor de geselecteerde architectuur.

Na creatie

Gebruik vragen die exacte feiten en een synthese uit meerdere bronnen vereisen, en pas vervolgens de ophaallimieten aan op basis van het geretourneerde bewijsmateriaal.