Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Optimér din søgerelevans

Lektion 12 af 16 Opdateret 29. juli 2026 Udvikler
På denne side
  1. Resultatkvaliteten afhænger af dig
  2. Forbered dokumenter til chunking
  3. Skriv bedre queries
  4. Udnyt metadata og organisering
  5. Mål før du deployer
  6. Vigtige pointer

Resultatkvaliteten afhænger af dig

xAI’s søgemaskine er kraftfuld, men den fungerer kun med det materiale, du giver den. En dårligt forberedt samling giver middelmådige resultater, selv med den bedste model, hvilket får team til fejlagtigt at konkludere, at „RAG ikke virker”. Du styrer tre løftestænger: dokumentstruktur, query-formulering og samlingsorganisering. Denne lektion gennemgår dem i nævnte rækkefølge og tilbyder derefter en metode til at måle dine fremskridt.

Forbered dokumenter til chunking

Motoren afhænger af dokumentstrukturen for at opdele indhold i chunks: overskrifter, underoverskrifter og afsnit fungerer som markører. En overskrift som „Refusionspolitik for onlinekøb” giver chunket en klar identitet og gør det findbart; „Afsnit 3.2.1” giver intet brugbart signal til chunking eller semantisk matching. At omdøbe overskrifter i en intern manual før indeksering er ofte den optimering, der giver højest afkast i hele projektet.

Dokumentstørrelse betyder også noget. En PDF på 500 sider producerer hundredvis af chunks, der konkurrerer mod hinanden: jo større og mere varieret et dokuments interne korpus er, jo højere er risikoen for, at et irrelevant uddrag scorer højt. Opdel disse monolitter i tematiske sektioner med sigte på dokumenter på tyve til halvtreds sider dedikeret til ét enkelt emne frem for et samlebind, der dækker alt.

Så er der spørgsmålet om kontekst. Hvert chunk læses isoleret, revet løs fra det, der går forud, hvilket dømmer anaforiske referencer til fiasko. En sætning som „som nævnt ovenfor gælder denne frist også for storordrer” bliver ubrugelig, når den er chunket: hverken fristen eller dens emne fremgår af fragmentet. Skriv „fjernelsesfristen på fjorten dage gælder også for storordrer”, så kan chunket stå alene.

Skriv bedre queries

Query-præcision vejer lige så tungt som korpuskvalitet. En søgning på „sikkerhed” returnerer snesevis af spredte uddrag, fra adgangskoder til fysisk adgangskontrol; „firewall-konfiguration for indgående forbindelser på port 443” rammer med det samme de to eller tre nyttige passager. Når dine dokumenter bruger etableret teknisk ordforråd, så genbrug det: selv i hybrid-tilstand, som blander eksakt matching og semantisk forståelse, forbliver det bogstavelige udtryk et stærkt signal.

Foretræk fulde spørgsmål frem for pakker af nøgleord. „API-forbindelse timeout” får motoren til at gætte på din hensigt, hvorimod „Hvordan konfigurerer jeg timeout for API-forbindelsen?” giver en grammatisk struktur at matche mod de indekserede sætninger. Gevinsten er særligt tydelig i semantisk tilstand, som er designet til naturligt sprog.

Udnyt metadata og organisering

Hvis du har deklareret metadata med inject_into_chunk, indarbejdes de i den indekserede tekst og bliver til ankerpunkter. Et felt department injiceret i hvert chunk betyder, at query’en „valideringsprocedure i marketingteamet” spontant finder dokumenter fra marketingafdelingen uden nogen eksplicit filterindstilling.

Tematisk organisering af samlinger giver samme effekt i større skala. I stedet for én enkelt samling, der indeholder alt, så opdel i col_docs_techniques til teknisk dokumentation, col_procedures_internes til processer og col_support_client til FAQ’er og brugervejledninger. En kundeorienteret assistent spørger derefter kun den tredje: færre dokumenter at søge i betyder mere præcise resultater og lavere omkostninger, da ingen kald går til ubrugelige samlinger. Søgetilstanden fuldender denne indstilling – keyword til kode eller eksakte referencer, semantic til et konceptuelt spørgsmål, hybrid når du er i tvivl og som standard.

Mål før du deployer

Intet af dette betyder noget uden evaluering. Før produktion skal du opbygge et testsæt: formulér ti til tyve spørgsmål, der repræsenterer rigtige tilfælde, dem dine brugere faktisk stiller, ikke dem du forestiller dig. Kør dem, bedøm relevansen af de returnerede resultater, og noter queries, der kommer tilbage med utilstrækkelige uddrag. Disse fortæller dig, hvad du skal rette: forbedr strukturen i det relevante dokument, tilføj metadata, eller omformulér selve query’en.

Scores fungerer som dit termometer i denne løkke. Hvert resultat bærer en værdi mellem 0 og 1; hvis dine typiske queries konsekvent stopper under 0,5, så led ikke efter problemet på modelsiden. Enten er dine dokumenter dårligt strukturerede, dine spørgsmål er stadig for vage, eller – hyppigst og mest fejldiagnosticeret – dit korpus indeholder simpelthen intet om det ønskede emne. At køre dette samme spørgesæt igen efter hver ændring fortæller dig med tal, om du gør fremskridt.

Vigtige pointer

  • Resultatkvaliteten afhænger af dokumentstruktur, query-præcision og samlingsorganisering
  • Eksplicitte titler og rimelige dokumentstørrelser forbedrer chunking
  • Fulde spørgsmål på naturligt sprog giver bedre resultater end isolerede nøgleord
  • Metadata fra inject_into_chunk beriger chunks og forbedrer relevansen
  • Test dine samlinger med typiske queries før deployment til produktion