Оптимизирайте релевантността на търсенето
На тази страница
Качеството на резултатите зависи от Вас
Търсачката на xAI е мощна, но работи единствено с материалите, които ѝ предоставите. Лошо подготвена колекция води до посредствени резултати дори при най-добрия модел, което кара екипите погрешно да заключат, че „RAG не работи“. Вие контролирате три лоста: структурата на документите, формулирането на заявките и организацията на колекциите. В този урок ще ги разгледаме точно в този ред, след което ще предложим метод за измерване на Вашия напредък.
Подгответе документите за разделяне на части (chunking)
Системата разчита на структурата на документите, за да раздели съдържанието на части: заглавията, подзаглавията и параграфите служат като маркери. Заглавие като „Политика за връщане на средства за онлайн покупки“ придава ясна идентичност на частта и я прави откриваема; докато „Раздел 3.2.1“ не предоставя никакъв полезен сигнал за разделяне или семантично съпоставяне. Преименуването на заглавията във вътрешния правилник преди индексирането често е оптимизацията с най-висока възвръщаемост в целия проект.
Размерът на документа също има значение. PDF файл от 500 страници генерира стотици части, които се конкурират помежду си: колкото по-голям и разнообразен е вътрешният корпус на документа, толкова по-висок е рискът нерелевантен откъс да получи висока оценка. Разделете тези монолити на тематични секции, като се стремите към документи от двадесет до петдесет страници, посветени на една единствена тема, вместо всеобхватни документи, обхващащи всичко.
След това идва въпросът за контекста. Всяка част се чете изолирано, откъсната от предходното съдържание, което обрича анафоричните препратки на неуспех. Изречение като „както бе споменато по-горе, този срок важи и за груповите поръчки“ става неизползваемо след разделянето: нито срокът, нито неговият обект присъстват във фрагмента. Напишете „четиринадесетдневният срок за отказ важи и за груповите поръчки“ и частта ще може да съществува самостоятелно.
Пишете по-добри заявки
Прецизността на заявката тежи толкова, колкото и качеството на корпуса. Търсене на „сигурност“ връща десетки разнородни откъси – от пароли до физически контрол на достъпа; докато „конфигурация на защитната стена за входящи връзки на порт 443“ веднага насочва към двата или трите полезни пасажа. Когато документите Ви използват установена техническа терминология, използвайте я отново: дори в хибриден режим, който смесва точно съпоставяне и семантично разбиране, буквалният термин остава силен сигнал.
Предпочитайте пълни въпроси пред пакети от ключови думи. „Изчакване на времето за връзка с API“ оставя системата да гадае Вашето намерение, докато „Как да конфигурирам изчакването на времето за връзка с API?“ предоставя граматическа структура за съпоставяне с индексираните изречения. Ползата е особено очевидна в семантичен режим, който е проектиран за естествен език.
Използвайте метаданни и организация
Ако сте декларирали метаданни с inject_into_chunk, те се включват в индексирания текст и се превръщат в опорни точки. Поле department, вмъкнато във всяка част, означава, че заявката „процедура за валидиране в екипа по маркетинг“ спонтанно ще изведе документи на маркетинговия отдел, без да е зададен никакъв явен филтър.
Тематичната организация на колекциите произвежда същия ефект в по-голям мащаб. Вместо една единствена колекция, съдържаща всичко, разделете col_docs_techniques за техническа документация, col_procedures_internes за процеси и col_support_client за ЧЗВ и ръководства за потребителя. Асистент, ориентиран към клиента, тогава прави заявки само към третата: по-малко документи за търсене означава по-прецизни резултати и по-ниска цена, тъй като няма обаждания към безполезни колекции. Режимът на търсене допълва тази настройка – keyword за код или точна препратка, semantic за концептуален въпрос, hybrid при съмнение и по подразбиране.
Измервайте преди внедряване
Нищо от това няма значение без оценка. Преди производство, изградете тестов набор: формулирайте десет до двадесет въпроса, представляващи реални случаи – онези, които Вашите потребители действително задават, а не онези, които си представяте. Стартирайте ги, преценете релевантността на върнатите резултати и отбележете заявките, които връщат неадекватни откъси. Те Ви показват какво трябва да поправите: подобрете структурата на съответния документ, добавете метаданни или преработете самата заявка.
Оценките служат като Вашия термометър по време на този цикъл. Всеки резултат носи стойност между 0 и 1; ако типичните Ви заявки постоянно остават под 0.5, не търсете проблема от страната на модела. Или документите Ви са лошо структурирани, въпросите Ви остават твърде неясни, или – най-често и най-погрешно диагностицирано – Вашият корпус просто не съдържа нищо по исканата тема. Повторното стартиране на този същия набор от въпроси след всяка модификация Ви казва, с цифри, дали постигате напредък.
Ключови изводи
- Качеството на резултатите зависи от структурата на документите, прецизността на заявките и организацията на колекциите
- Явните заглавия и разумните размери на документите подобряват разделянето на части
- Пълните въпроси на естествен език дават по-добри резултати от изолираните ключови думи
- Метаданните от
inject_into_chunkобогатяват частите и подобряват релевантността - Тествайте колекциите си с типични заявки преди внедряване в производство