Ce este RAG și de ce este util?

RAG seamănă cu un coleg care deschide dosarul înainte să răspundă. Trebuie să verificăm că găsește pagina potrivită și păstrează sensul ei.

Poți parcurge acest curs fără cont și fără programare. Exemplele sunt sintetice și rezultatele AI trebuie verificate.

Cum funcționează, pas cu pas

RAG este acces la dovezi, nu reantrenare

RAG înseamnă retrieval-augmented generation: căutarea furnizează fragmente relevante modelului înainte de răspuns. Ingestia pregătește documentele, iar interogarea caută în index și construiește contextul. Modelul de embeddings reprezintă textul numeric; modelul de răspuns redactează. Rerankerul, vision, graph și router au roluri diferite, când sunt necesare. RAG ajută pentru informație privată sau schimbătoare, dar nu garantează adevărul. Pentru solduri, stoc exact sau permisiuni folosește un API autorizat; un document vechi nu este sursă sigură pentru starea curentă.

Documentul bun precede răspunsul bun

Pregătește texte lizibile, titluri clare, tabele cu antete și surse fără duplicări inutile. Chunking împarte documentul în fragmente care pot fi recuperate separat; overlap păstrează continuitatea dintre fragmente vecine. Un segment prea scurt pierde condițiile, iar unul prea mare introduce zgomot. Metadatele păstrează sursa, poziția și versiunea, precum și domeniul de acces unde implementarea îl aplică. Upload-ul salvează fișierul, indexarea îl face căutabil. Dacă sursa se schimbă, verifică dispariția segmentelor vechi și reapariția celor noi înainte de a anunța că baza este actualizată.

Fluența și adevărul se verifică separat

O halucinație este un conținut nesusținut sau incorect prezentat drept răspuns. Poate apărea din lipsă de informație, ambiguitate sau combinarea greșită a unor tipare. Cere dovezi și verifică documentul original, data, unitățile și condițiile. O citare care există poate să nu susțină afirmația. Pentru date actuale folosește o sursă actuală; pentru calcule folosește un calculator; pentru lipsa datelor acceptă „nu pot determina”. Nu trata nivelul de încredere exprimat în text drept probabilitate calibrată.

Harta vizuală

Urmărește săgețile continue pentru fluxul principal. Săgețile albastre punctate furnizează date sau context; cele roz punctate arată feedback sau rezultate care revin. Culorile și formele disting modelele, stocările, deciziile și rezultatele. Recuperarea întoarce dovezi. Dacă este activat un model de răspuns, acesta compune și un răspuns; dovezile recuperate trebuie verificate. Pe ecrane mici, derulează orizontal pentru a urmări întreaga diagramă.

Un exemplu complet

Încarci politica fictivă, o indexezi și întrebi termenul de retur. Sistemul recuperează pasajul cu 14 zile și îl furnizează modelului. O întrebare despre o garanție absentă trebuie tratată ca lipsă de date.

Încearcă tu

1. Desenează separat ingestia și interogarea pentru politica de retur.
2. Notează intrarea, sursa și rezultatul așteptat înainte să rulezi experimentul. Folosește doar datele fictive din exemplu.
3. Urmărește etapele din diagramă. La fiecare pas scrie ce informație primește și ce produce; nu confunda rezultatul intermediar cu rezultatul final.
4. Repetă cazul după eliminarea unei informații necesare sau după o intrare ambiguă. Verifică dacă sistemul cere clarificare, se oprește sau inventează.
5. Compară cu soluția comentată. Păstrează configurația, data, rezultatul și o explicație pentru orice diferență. Schimbă un singur lucru și retestează.

Soluție comentată

Răspunsul este verificabil față de pasaj; o întrebare nesusținută nu primește o promisiune inventată. Pentru a considera exercițiul reușit, poți arăta legătura dintre intrare, etapele parcurse și rezultat. Dacă lipsesc date, un răspuns prudent este mai util decât o completare inventată. Nu compara doar stilul: verifică și condițiile, sursele și operațiile efectuate.

Când merită și ce poate merge prost

Indexarea și răspunsul sunt circuite diferite, cu erori diferite. Alege această abordare când îmbunătățește o nevoie măsurată. Păstrează o variantă simplă ca referință și compară rezultatele pe aceleași intrări. Un singur exemplu reușit nu stabilește fiabilitatea în toate situațiile.

Verifică ce ai înțeles

RAG modifică parametrii LLM-ului?

Nu. Furnizează context la cerere; schimbarea parametrilor aparține antrenării.

Upload terminat înseamnă document gata pentru RAG?

Nu. Extragerea, segmentarea și indexarea trebuie să se termine cu succes.

Ce rezultat trebuie să obții în acest exercițiu?

Răspunsul este verificabil față de pasaj; o întrebare nesusținută nu primește o promisiune inventată.

Cuvinte de ținut minte

• Retrieval: Căutarea informației relevante în surse accesibile.
• Chunk: Fragment de document care poate fi căutat separat.
• Grounding: Ancorarea răspunsului în dovezi verificabile.

Surse și următorul pas

• Lewis et al. — Retrieval-Augmented Generation
• Hugging Face — LLM Course

Pentru pregătire: F03 — Ce este un LLM și cum produce un răspuns? · P02 — Context engineering: ce informație ajunge la model? · P07 — Prompt, RAG sau fine-tuning?