DocumentațieRAG

Ancorează fiecare răspuns în cunoștințele tale.

Selectează o arhitectură de regăsire, configurează modelele și limitele de căutare, apoi indexează documentele care trebuie să ancoreze răspunsurile.

Configurarea pe scurt

6 tipare de regăsire

Fiecare RAG necesită un nume, un model de embedding și o dimensiune vectorială. Modelele pentru graf, router, viziune și sinteză apar doar când capabilitățile lor sunt activate.

Prezentare

Construiește o conductă de regăsire

O configurație RAG convertește documentele sursă în vectori și regăsește context relevant pentru fiecare interogare. Tiparele avansate adaugă reranking, extragere vizuală, parcurgere de graf, căutare lexicală sau rutare bazată pe intenție.

1. Arhitectează

Alege strategia de regăsire pentru forma cunoștințelor tale.

2. Configurează

Selectează modele, dimensiuni vectoriale și parametri de regăsire limitați.

3. Ancorează

Încarcă documente, așteaptă indexarea și inspectează regăsirea cu interogări reale.

Step 01

Selectează un tipar RAG

Fiecare tipar activează o cale diferită de regăsire și afișează în pasul doi doar modelele și controalele de ajustare relevante.

RAG naiv

Căutare semantică directă pe embeddinguri, urmată de generarea unui răspuns ancorat.

Retrieve-and-Rerank

Regăsește un grup larg de candidați, apoi aplică reranking neural pentru a păstra pasajele cele mai bune.

RAG multimodal

Combină regăsirea textului cu descrieri extrase din imagini, grafice și diagrame.

RAG pe graf

Extrage entități și relații, apoi parcurge un graf de cunoștințe pentru context multi-hop.

RAG hibrid

Combină similaritatea vectorială densă cu potrivirea rară de cuvinte-cheie BM25 pentru recall echilibrat.

RAG Router

Clasifică fiecare interogare și o rutează între căutare vectorială, parcurgere de graf sau răspuns direct.

Step 02 · Section 01

Detaliile RAG-ului

Identifică baza de cunoștințe și descrie domeniul acoperit de sursele sale indexate.

Numele RAG-uluiObligatoriu

Numele afișat în directoarele RAG și selectoarele pentru agenți, widgeturi și ținte API.

Folosește un nume orientat spre domeniu, precum Bază de cunoștințe enterprise sau Căutare în manuale tehnice.

DescriereOpțional

Un rezumat concis al domeniului de cunoștințe, materialului sursă și scopului regăsirii.

Acest text îi ajută pe colaboratori să aleagă baza de cunoștințe corectă; nu este introdus în contextul regăsit.

Step 02 · Section 02

Modelul de embedding vectorial

Modelul de embedding convertește fragmentele de documente și interogările în vectori numerici. Dimensiunea selectată fixează forma vectorului folosită pentru indexare și căutare după similaritate.

Model de embeddingObligatoriu

Selectează modelul furnizorului folosit pentru codificarea fragmentelor de documente și a interogărilor primite.

Folosește aceeași configurație de embedding pe toată durata de viață a unui index pentru vectori comparabili.

Dimensiunea vectoruluiObligatoriu

Stabilește numărul valorilor numerice stocate pentru fiecare reprezentare vectorială.

Dimensiunile disponibile depind de model; interfața curentă oferă valori acceptate precum 256, 512, 768, 1536 și 3072.

Step 02 · Section 03

Model AI de reranking

Modelul de reranking folosește un cross-encoder neural pentru a evalua relevanța fiecărui pasaj candidat în raport cu interogarea, după o regăsire vectorială amplă. Reordonează candidații astfel încât contextul final să păstreze pasajele cele mai relevante.

Model de rerankingObligatoriu

Selectează cross-encoderul folosit pentru a evalua candidații regăsiți vectorial în raport cu fiecare interogare.

Obligatoriu pentru Retrieve-and-Rerank. Reordonează grupul de candidați initial_top_k înainte de returnarea pasajelor final_top_k.

Step 02 · Sections 04–07

Modele AI specializate

Modelele suplimentare apar doar când arhitectura sau o capabilitate opțională are nevoie de ele. Fiecare model de raționament compatibil poate afișa și un selector de efort după selectare.

Secțiunea Model de extragere a grafului de cunoștințe — RAG pe graf · Extragerea entităților și relațiilor

Secțiunea Model de clasificare a intenției interogării — RAG Router · Clasificarea interogării

Secțiunea Model activat pentru descrierea imaginilor și mediilor — Opțional · Extragerea activelor vizuale

Secțiunea Model AI activat pentru sinteza răspunsului — Opțional · Sinteza răspunsului ancorat

Model de grafCondiționat

Extrage noduri de entități, relații semantice și triple structurate în timpul indexării.

Obligatoriu pentru RAG pe graf și RAG Router.

Model routerCondiționat

Clasifică intenția primită și selectează regăsirea vectorială, parcurgerea grafului sau răspunsul direct.

Obligatoriu doar pentru RAG Router.

Model vizualCondiționat

Descrie imagini, grafice și diagrame, astfel încât informația vizuală să poată intra în contextul căutabil.

Comutator opțional. După activare, selectarea unui model compatibil devine obligatorie.

Model de răspunsCondiționat

Transformă pasajele regăsite într-un răspuns conversațional ancorat pentru interogări RAG independente și widgeturi.

Comutator opțional. Când este dezactivat, conducta returnează direct pasajele de context formatate.

Efort de raționamentCondiționat

Aplică un nivel de efort acceptat modelelor de graf, router, vizual sau de răspuns.

Este afișat doar când modelul selectat publică opțiuni pentru efortul de raționament.

TemperaturăCondiționat

Controlează variația rezultatului generat pentru etapele generative compatibile.

Implicit: 0,2. Interval: 0,0–2,0; indisponibil pentru modelele fără suport pentru temperatură.

Step 02 · Section 08

Arhitectură și parametri de regăsire

Glisoarele controlează cantitatea de context candidat colectată la fiecare etapă. Cardul se schimbă odată cu tiparul selectat, astfel încât sunt afișați doar parametrii utilizați de acea conductă.

Secțiunea Arhitectură RAG Router și parametri de regăsire — Creare RAG · Parametrii de regăsire ai routerului

Parametru	Tipar	Implicit / Interval	Scop
top_k	Naiv, Multimodal, Router	5 · 1–50	Pasajele injectate în contextul final.
initial_top_k	Retrieve-and-Rerank	25 · 5–100	Grupul semantic larg de candidați înainte de reranking.
final_top_k	Rerank, Hibrid	5 · 1–20	Pasajele păstrate după reranking sau fuziunea clasamentelor.
vector_top_k	Graf	4 · 1–20	Fragmentele semantice inițiale folosite pentru localizarea entităților grafului.
graph_depth	Graf	1 · 1–3	Salturile de relații parcurse pornind de la entitățile inițiale.
graph_limit	Graf	20 · 1–100	Numărul maxim de triple entitate-relație adăugate în context.
vector_k	Hibrid	15 · 1–50	Candidații semantici denși incluși în fuziunea clasamentelor.
bm25_k	Hibrid	15 · 1–50	Candidații lexicali rari incluși în fuziunea clasamentelor.

Step 02 · Section 08

Documentele bazei de cunoștințe

Salvează mai întâi RAG-ul pentru a activa încărcarea documentelor. Fișierele încărcate sunt indexate cu modelul de embedding selectat și devin disponibile pentru regăsire după finalizarea procesării.

Schimbarea modelului de embedding sau a dimensiunii vectorului după indexare poate necesita reprocesarea documentelor, astfel încât vectorii stocați să rămână compatibili.

Step 02 · Section 09

Testarea live a interogărilor

După salvarea și indexarea documentelor, trimite interogări reprezentative pentru a inspecta răspunsul ancorat, fragmentele regăsite, faptele extrase, pașii execuției și contextul asamblat.

Obligatoriu înainte de salvare

Tiparul, numele RAG-ului, modelul de embedding, dimensiunea vectorului și fiecare model cerut de arhitectura selectată.

După creare

Folosește întrebări care necesită fapte exacte și sinteză din mai multe surse, apoi ajustează limitele regăsirii pe baza dovezilor returnate.