Naive RAG: sua linha de base
O Naive RAG é uma linha de base clara: recuperação semântica, montagem e geração de contexto.
O que você aprenderá
- Explique: o trapo acessa evidências, não treina novamente
- Aplique a ideia em um exemplo: Naive RAG: sua linha de base
- Reconheça as limitações e verifique o resultado do exercício
O Naive RAG é uma linha de base clara: recuperação semântica, montagem e geração de contexto. A baixa complexidade facilita o diagnóstico.
Estas etapas referem-se aos recursos identificados no código do aplicativo. Este material não foi validado em uma instância ativa; verifique a documentação e as opções da sua versão.
Como funciona, passo a passo
RAG acessa evidências, não treina novamente
RAG significa geração aumentada de recuperação: a recuperação fornece passagens relevantes antes que o modelo responda. A ingestão prepara documentos, enquanto a execução da consulta pesquisa o índice e cria contexto. Um modelo de incorporação representa o texto numericamente; o modelo de resposta escreve a resposta. Reclassificadores, visão, gráficos e modelos de roteador têm funções diferentes quando necessário. RAG ajuda com informações privadas ou em mudança, mas não garante a verdade. Use uma API autorizada para saldos, inventário exato ou permissões; um documento antigo não é uma fonte confiável para o estado atual.
Coordenadas para significado
Uma incorporação é um vetor numérico calculado por um modelo. Textos com significados relacionados tendem a ficar próximos uns dos outros no espaço desse modelo, mas a similaridade não garante relevância. Consultas e documentos devem compartilhar um espaço compatível: modelo e dimensões correspondentes. Um mapa de dois eixos é ilustrativo; vetores reais podem ter centenas ou milhares de dimensões. Recrie e teste novamente o índice ao alterar o modelo ou as dimensões. A similaridade de cossenos compara as direções dos vetores; não é a probabilidade de uma resposta ser verdadeira.
Defina o sucesso antes de otimizar
Prepare solicitações representativas e respostas ou propriedades esperadas. Inclui casos comuns, ambiguidade, dados faltantes e erros de ferramentas. Para RAG, meça a recuperação de evidências separadamente da correção da resposta. Recall@k mede a parcela de evidências relevantes encontradas nos primeiros k resultados; Precision@k mede a parcela de resultados retornados que são relevantes. Para agentes, rastreie também ações, permissões e paradas. Um LLM como juiz pode acelerar a avaliação, mas precisa de calibração em humanos. Não altere prompt, modelo e índice simultaneamente se quiser entender o que melhorou os resultados.
Laboratório detalhado
Recuperação de teste antes de escrever
Use os mesmos acessórios de catálogo, entrega e política. Após a indexação, pergunte “Qual o prazo para um produto não utilizado?”. A recuperação deve incluir o prazo e as condições. Em seguida, verifique se a resposta os preserva sem inventar exceções.
Pergunte “Qual garantia comercial se aplica?”. O corpus não contém tais informações. Um bom resultado reconhece essa ausência. Se a recuperação falhar na política, diagnostique a origem e o índice; se encontrar uma política, mas a resposta a ignorar, inspecione o contexto e a geração.
O esquema explicativo
Siga as setas sólidas para o fluxo principal. As setas azuis tracejadas fornecem dados ou contexto; setas rosa tracejadas mostram feedback ou retorno de resultados. Cores e formas distinguem modelos, lojas, decisões e resultados. A recuperação retorna evidências. Se um modelo de resposta estiver habilitado, ele também compõe uma resposta; as evidências recuperadas ainda precisam ser verificadas. Em telas pequenas, role na horizontal para acompanhar o esquema completo.
Um exemplo completo
Você tem documentos de política, catálogo e entrega. Comece com top_k=4 e pergunte o prazo de devolução. Verifique se a passagem correta atinge o contexto antes de alterar o prompt.
template: Naive
top_k: 4
Experimente você mesmo
- Crie o Naive RAG, escolha modelos de incorporação e resposta, carregue dados e teste após a indexação.
- Registre a entrada, a fonte e o resultado esperado antes de executar o experimento. Use apenas os dados fictícios do exemplo.
- Siga as etapas do diagrama. A cada passo registre quais informações são recebidas e produzidas; não confunda o resultado intermediário com o resultado final.
- Repita após remover as informações necessárias ou tornar a entrada ambígua. Verifique se o sistema esclarece, interrompe ou inventa uma resposta.
- Compare com a solução explicada. Guarde a configuração, data, resultado e explicação das diferenças. Mude uma coisa e teste novamente.
Uma solução explicada
A passagem da apólice é recuperada e a resposta preserva 14 dias e condições. Um exercício bem-sucedido permite mostrar a conexão entre entradas, etapas e resultados. Quando falta informação, uma resposta cautelosa é mais útil do que detalhes inventados. Compare mais do que estilo: verifique também as condições, fontes e operações.
Quando esta abordagem ajuda e quais são seus limites
top_k maior também pode adicionar contexto irrelevante. Escolha esta abordagem quando ela melhorar uma necessidade medida. Mantenha uma linha de base simples e compare os resultados usando dados idênticos. Um exemplo de sucesso não estabelece confiabilidade em todas as situações.
Verifique o que aprendeu
O RAG altera os parâmetros do LLM?
Não. Ele fornece contexto de tempo de solicitação; alterações de parâmetros pertencem ao treinamento.
Você pode comparar diretamente vetores de diferentes modelos?
Geralmente não; seus espaços não são automaticamente compatíveis.
Que resultado este exercício deve produzir?
A passagem da apólice é recuperada e a resposta preserva 14 dias e condições.
Termos para lembrar
- Recuperação: Encontrar informações relevantes em fontes acessíveis.
- Incorporação: uma representação numérica usada para comparar conteúdo.
- Regressão / Regressão: uma alteração que quebra um caso anteriormente correto.
Fontes e sua próxima etapa
Para preparar: R02 — Incorporações e pesquisa vetorial