DokumentacjaRAG

Ugruntuj każdą odpowiedź swoją wiedzę.

Wybierz architekturę wyszukiwania, skonfiguruj jej modele i ograniczenia wyszukiwania, a następnie zindeksuj dokumenty, na których powinny opierać się odpowiedzi.

Konfiguracja w skrócie

6 wzorców wyszukiwania

Każdy RAG wymaga nazwy, modelu osadzania i wymiaru wektorowego. Modele grafów, routerów, wizji i syntezy pojawiają się tylko wtedy, gdy ich możliwości są włączone.

Przegląd

Zbuduj potok odzyskiwania

Konfiguracja RAG konwertuje dokumenty źródłowe na wektory i pobiera odpowiedni kontekst dla każdego zapytania. Bardziej zaawansowane wzorce dodają reranking, ekstrakcję wizualną, przeglądanie wykresów, wyszukiwanie leksykalne lub routing oparty na intencjach.

1. Architekt

Wybierz strategię wyszukiwania dostosowaną do kształtu swojej wiedzy.

2. Skonfiguruj

Wybierz modele, wymiary wektorów i parametry pobierania ograniczonego.

3. Ziemia

Przesyłaj dokumenty, czekaj na indeksowanie i sprawdzaj pobieranie za pomocą prawdziwych zapytań.

Step 01

Wybierz wzór RAG

Każdy wzorzec aktywuje inną ścieżkę wyszukiwania i w kroku drugim udostępnia tylko odpowiedni model i elementy sterujące dostrajaniem.

Naiwny RAG

Bezpośrednie wyszukiwanie osadzania semantycznego, po którym następuje generowanie odpowiedzi na podstawie podstaw.

Odzyskaj i ponownie uszereguj

Pobiera szeroką pulę kandydatów, a następnie stosuje zmianę rankingu neuronowego, aby zachować najsilniejsze fragmenty.

Multimodalny RAG

Łączy wyszukiwanie tekstu z opisami wyodrębnionymi z obrazów, wykresów i diagramów.

Wykres RAG

Wyodrębnia jednostki i relacje, a następnie przechodzi przez wykres wiedzy w kontekście wielu przeskoków.

Hybrydowy RAG

Łączy gęste podobieństwo wektorów z rzadkim dopasowywaniem słów kluczowych BM25 w celu zapewnienia zrównoważonego zapamiętywania.

Routera RAG

Klasyfikuje każde zapytanie i kieruje je między wyszukiwaniem wektorowym, przeglądaniem wykresu lub odpowiedzią bezpośrednią.

Step 02 · Section 01

Szczegóły RAG

Zidentyfikuj bazę wiedzy i opisz dziedzinę objętą jej zindeksowanymi źródłami.

RAG Sekcja szczegółów z nazwą i opisem — Utwórz RAG · Konfiguracja tożsamości

RAG NazwaDOCS.WYMAGANY

Nazwa wyświetlana używana w katalogach i selektorach RAG dla agentów, widżetów i obiektów docelowych API.

Użyj nazwy zorientowanej na dziedzinę, takiej jak baza wiedzy przedsiębiorstwa lub wyszukiwanie instrukcji technicznych.

OpisDOCS.FAKULTATYWNY

Zwięzłe podsumowanie dziedziny wiedzy, materiału źródłowego i celu wyszukiwania.

Pomaga to współpracownikom wybrać właściwą bazę wiedzy; nie jest wstawiany do pobranego kontekstu.

Step 02 · Section 02

Model osadzania wektorowego

Model osadzania konwertuje fragmenty dokumentów i zapytania na wektory numeryczne. Wybrany wymiar ustala kształt wektora używany do indeksowania i wyszukiwania podobieństw.

Sekcja modelu osadzania wektorowego z kontrolą osadzania i wymiarowania — Utwórz RAG · Konfiguracja osadzania

Model osadzaniaWymagany

Wybiera model dostawcy używany do kodowania zarówno fragmentów dokumentu, jak i przychodzących zapytań.

Użyj tej samej konfiguracji osadzania przez cały okres istnienia indeksu dla porównywalnych wektorów.

Wymiar wektorowyWymagany

Ustawia liczbę wartości numerycznych przechowywanych dla każdej reprezentacji wektorowej.

Dostępne wymiary zależą od modelu; bieżący interfejs oferuje obsługiwane wartości, takie jak 256, 512, 768, 1536 i 3072.

Step 02 · Section 03

Model AI do rerankingu

Model rerankingu wykorzystuje neuronowy cross-encoder do oceny każdego kandydującego fragmentu względem zapytania użytkownika po szerokim wyszukiwaniu wektorowym. Ponownie porządkuje kandydatów, aby końcowy kontekst zawierał najbardziej trafne fragmenty.

Sekcja modelu AI do rerankingu z wyborem cross-encodera i szczegółami modelu — Utwórz RAG · Konfiguracja rerankingu

Model rerankinguWymagany

Wybiera cross-encoder używany do oceny kandydatów wyszukiwania wektorowego dla każdego zapytania.

Wymagany w Retrieve-and-Rerank. Ponownie porządkuje pulę kandydatów initial_top_k przed zwróceniem fragmentów final_top_k.

Step 02 · Sections 04–07

Specjalistyczne modele AI

Dodatkowe modele pojawiają się tylko wtedy, gdy wymaga ich architektura lub opcjonalna funkcja. Każdy zgodny model rozumowania może również po dokonaniu wyboru udostępnić selektor wysiłku.

Sekcja modelu ekstrakcji Grafu Wiedzy — Wykres RAG · Ekstrakcja jednostek i relacji

Sekcja modelu klasyfikatora intencji zapytania — Router RAG · Klasyfikacja zapytania

Włączono sekcję „Wizja i opis mediów”. — Opcjonalne · Ekstrakcja zasobów wizualnych

Włączono sekcję syntezy odpowiedzi AI Model — Opcjonalnie · Synteza odpowiedzi na podstawie uziemienia

Model graficznyWarunkowy

Podczas indeksowania wyodrębnia węzły jednostek, relacje semantyczne i ustrukturyzowane trójki.

Wymagane przez Graf RAG i Router RAG.

Model routeraWarunkowy

Klasyfikuje przychodzące zamiary i wybiera pobieranie wektorów, przeglądanie wykresu lub reakcję bezpośrednią.

Wymagane tylko przez router RAG.

Model wizjiWarunkowy

Opisuje obrazy, wykresy i diagramy, dzięki czemu informacje wizualne mogą dołączyć do kontekstu, który można przeszukiwać.

Opcjonalny przełącznik. Po włączeniu wymagane jest wybranie kompatybilnego modelu.

Model odpowiedziWarunkowy

Zamienia odzyskane fragmenty w ugruntowaną konwersacyjną odpowiedź na samodzielne zapytania i widżety RAG.

Opcjonalny przełącznik. Po wyłączeniu potok bezpośrednio zwraca sformatowane fragmenty kontekstu.

Wysiłek rozumowaniaWarunkowy

Stosuje obsługiwany poziom wysiłku do modeli wykresów, routerów, wizji lub odpowiedzi.

Wyświetlane tylko wtedy, gdy wybrany model publikuje opcje wysiłku rozumowania.

TemperaturaWarunkowy

Kontroluje zmienność generowanej mocy dla odpowiednich etapów wytwarzania.

Wartość domyślna: 0,2. Zakres: 0,0–2,0; niedostępne dla modeli, które nie obsługują temperatury.

Step 02 · Section 08

Architektura i parametry wyszukiwania

Suwaki kontrolują ilość kontekstu kandydata zbieranego na każdym etapie. Karta zmienia się wraz z wybranym wzorcem, dlatego wyświetlane są tylko parametry używane przez ten potok.

Sekcja Architektura i pobieranie parametrów routera RAG — Utwórz RAG · Parametry pobierania routera

Parametr	Wzór	Domyślne / Zakres	Zamiar
góra_k	Naiwny, multimodalny, router	5 · 1–50	Fragmenty wstawione w ostateczny kontekst.
inicjał_góra_k	Odzyskaj i ponownie uszereguj	25 · 5–100	Szeroka semantyczna pula kandydatów przed zmianą rankingu.
final_top_k	Zmień rangę, hybryda	5 · 1–20	Przejścia zachowane po zmianie rangi lub fuzji rang.
wektor_top_k	Wykres	4 · 1–20	Semantyczne fragmenty początkowe używane do lokalizowania elementów wykresu.
głębokość_grafu	Wykres	1 · 1–3	Przeskoki relacji przechodzą z jednostek źródłowych.
graph_limit	Wykres	20 · 1–100	Do kontekstu dodano maksymalną liczbę potrójnych relacji między jednostkami.
wektor_k	Hybrydowy	15 · 1–50	Gęste kandydaci semantyczni uwzględnieni w fuzji rang.
bm25_k	Hybrydowy	15 · 1–50	Rzadcy kandydaci leksykalni uwzględnieni w fuzji rang.

Step 02 · Section 08

Dokumenty bazy wiedzy

Zapisz najpierw RAG, aby umożliwić przesyłanie dokumentów. Przesłane pliki są indeksowane według wybranego modelu osadzania i stają się dostępne do pobrania po zakończeniu przetwarzania.

Zmiana modelu osadzania lub wymiaru wektora po indeksowaniu może wymagać ponownego przetworzenia dokumentów, aby przechowywane wektory pozostały kompatybilne.

Step 02 · Section 09

Testowanie zapytań na żywo

Po zapisaniu i zindeksowaniu dokumentów prześlij reprezentatywne zapytania, aby sprawdzić ugruntowaną odpowiedź, pobrane fragmenty, wyodrębnione fakty, etapy wykonania i złożony kontekst.

Wymagane przed zapisaniem

Wzorzec, nazwa RAG, model osadzania, wymiar wektorowy i każdy model wymagany przez wybraną architekturę.

Po stworzeniu

Używaj pytań wymagających dokładnych faktów i syntezy z wielu źródeł, a następnie dostosuj limity wyszukiwania na podstawie zwróconych dowodów.