Hybrid RAG-mønsteret med Grok
På denne side
Kombinér alle informationskilder
Hybrid RAG – Retrieval-Augmented Generation – er det mest avancerede mønster i Grok-økosystemet. Princippet er enkelt: Hold op med på forhånd at beslutte, hvor svaret findes. Dine interne samlinger, websøgning, X-søgning og kodeeksekvering stilles alle til rådighed i én enkelt anmodning, og modellen beslutter selv, hvilke den skal bruge ud fra det stillede spørgsmål. Du behøver ikke længere bygge betingede grene; du åbner bare døre.
Mønsterarkitektur
Teknisk set handler det hele om listen tools: Du deklarerer flere værktøjer uden at angive rækkefølge eller betingelser.
response = await client.responses.create(
model="grok-4.5",
input="Sammenlign vores interne dokumentation med markedets bedste praksis for API-godkendelse.",
tools=[
{
"type": "collections_search",
"collection_ids": [collection_id]
},
{"type": "web_search"},
{"type": "x_search"},
{"type": "code_interpreter"}
]
)
Med dette spørgsmål vil Grok sandsynligvis hente din dokumentation fra samlingen, køre en websøgning efter bedste praksis for godkendelse og derefter syntetisere de to dele i et sammenlignende svar. De to andre værktøjer forbliver ubrugte: Intet i spørgsmålet kræver brugerudtalelser fra X eller en Python-beregning. Denne udvælgelse er mønsterets kerne, og den forklarer, hvorfor det ikke koster noget at deklarere et ekstra værktøj, så længe det ikke er relevant.
Hvad hver kilde bidrager med
collections_search giver adgang til dine interne vidensbaser: Privat teknisk dokumentation, politikker og procedurer, kontrakter og juridiske dokumenter samt kundesupport-base. Dette er den eneste kilde, der indeholder det, modellen ellers ikke kan vide – nemlig din virksomheds virkelighed.
web_search dækker det offentlige rum. Her finder du det, du ikke selv styrer, og som ændrer sig: Regulativer og officielle standarder, leverandørers tekniske dokumentation, nyheder og sammenligningspunkter på markedet. Dette er det naturlige supplement til samlinger, som kun bliver forældede, når du opdaterer dem.
x_search spørger X og giver adgang til en anden type materiale: Meninger og feedback i realtid, teknologitrends, reaktioner på en nylig annoncering og den generelle markedssentiment. Du aktiverer det, når spørgsmålet handler om, hvad folk tænker, ikke hvad der er skrevet.
code_interpreter eksekverer endelig Python i en sandbox. Det beregner på data, som de andre værktøjer lige har udtrukket, producerer et diagram, transformerer et datasæt eller verificerer, at et kodeudsnit fungerer. Dette er det eneste værktøj, der producerer ny information i stedet for at hente den.
Hvordan en hybrid anmodning forløber
Når flere værktøjer er tilgængelige, følger eksekveringen altid den samme flow. Grok starter med at analysere spørgsmålet for at afgøre, hvilke kilder der tjener det bedst, spørger interne samlinger, søger eksternt på webbet eller X, når det er nødvendigt, syntetiserer derefter alt til et sammenhængende svar og vedhæfter til sidst sine citationer. Disse skelner mellem interne referencer, der har præfikset collections://, og eksterne referencer i https:// – så du ved, når du læser svaret, hvilken påstand der kommer fra dine dokumenter, og hvilken der kommer fra andre steder.
Tre situationer, hvor mønsteret skinner
Inden for konkurrenceefterretning vil et spørgsmål som „Hvordan håndterer vores konkurrenter kunde-onboarding?” mobilisere alle tre dokumentariske kilder på én gang: Samlingen beskriver din egen onboarding-rejse, webbet leverer artikler og undersøgelser om markedspraksis, og X bringer rå brugerfeedback fra folk, der lige har gennemgået onboarding hos en konkurrent.
Inden for overholdelse kræver „Er vores datapolitik i overensstemmelse med den seneste EU-forordning?”, at du holder to tekster op mod hinanden: Din nuværende politik, gemt i samlingen, og den gældende reguleringstekst, hentet fra webbet. Ingen af dem er tilstrækkelige alene, og dette er netop det tilfælde, hvor den manuelle tilgang bliver besværlig.
Endelig kombinerer teknisk support med spørgsmålet „Hvordan løser jeg denne timeout-fejl i vores API?” dine interne fejlfindingsguider med fora, Stack Overflow og frameworkets officielle dokumentation. Agenten får på ét svar det, den ellers skulle have søgt efter i to faneblade og en wiki.
Vigtige pointer
- Hybrid RAG-mønsteret kombinerer interne samlinger, web, X og kode i én enkelt anmodning
- Grok vælger automatisk de relevante værktøjer baseret på spørgsmålet
- De fire værktøjer er: collections_search, web_search, x_search, code_interpreter
- Citationer skelner mellem interne kilder (
collections://) og webkilder (https://) - Dette mønster er ideelt til tilfælde, der kræver krydsreferencing af interne og eksterne kilder