Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Ailtireacht RAG Iomlán

Ceacht 11 as 22 Nuashonraithe 3 Samhain 2026 Forbróir
Ar an leathanach seo
  1. Cuspóirí
  2. Cad é RAG?
  3. Céimeanna na Píblíne
  4. Cur i bhFeidhm Iomlán
  5. Úsáid
  6. Pointí Feabhsaithe
  7. Príomhphointí

An ceacht nuashonraithe an 3 Samhain 2026 bunaithe ar dhoiciméadú OpenAI: ní ghlactar le temperature agus top_p ach le hiarracht réasúnaíochta de none, cé go ndéanann samhlacha GPT-5.6 réasúnú go huathoibríoch (medium). Caithfidh glaonna a shocraíonn na paraiméadair seo reasoning={"effort": "none"} (Freagraí API) nó reasoning_effort="none" (Críochnú Comhrá) a shonrú dá bhrí sin. Foinse: GPT-6 a úsáid · GPT-5.6 Terra.

Cuspóirí

  • Tuiscint a fháil ar an ailtireacht RAG ó thús go deireadh
  • Píblíne RAG fheidhmiúil a chur i bhfeidhm
  • Na comhpháirteanna is féidir a fheabhsú a aithint

Cad é RAG?

Comhcheanglaíonn RAG (Giniúint Fheabhsaithe le hAisghabháil) cuardach doiciméad le giniúint téacs ag LLM. In ionad brath go hiomlán ar a chuid eolais inmheánaigh, faigheann an tsamhail doiciméid ábhartha mar chomhthéacs, agus ansin dréachtaíonn sí a freagra bunaithe ar an gcomhthéacs sin. Gach rud a thóg tú ó thús an chúrsa seo—leabaithe, innéacsú, cuardach, meastóireacht—éiríonn sé ina leath uachtarach de chóras iomlán anseo.

Cén fáth RAG?

Tá ceithre chúis lena mholadh, agus méadaíonn siad a chéile. Ar an gcéad dul síos, sonraí dílseanaigh: níor tháinig do bheartas oibre iargúlta, do nósanna imeachta inmheánacha, ná do chatalóg táirgí riamh i sonraí oiliúna na samhla, agus ní chuirfidh aon leid i láthair iad ann. Ar an dara dul síos, faisnéis le déanaí: tá aon rud tar éis dáta na hoiliúna dofheicthe don tsamhail, ach nuashonraítear innéacs an lá céanna. Tá inbhreathnaitheacht tábhachtach chomh maith, toisc go bhfuil gach freagra bunaithe ar fhoinsí inaitheanta is féidir leis an úsáideoir a oscailt agus a sheiceáil—rud a athraíonn nádúr na muiníne a chuirtear sa chóras. Ar deireadh, tá costas ar a thaobh: costóidh sé i bhfad níos lú eolas a chur leis trí RAG ná mionchoigeartú a dhéanamh, agus déantar ceartúcháin trí dhoiciméad a scriosadh seachas samhail a athoiliúint.

Céimeanna na Píblíne

Léigh RAG mar dhá chéim ar leith nach mór duit a mheascadh suas. Tarlaíonn Ionghabháil as líne, uair amháin agus go deo nó nuair a nuashonraítear an corpas:

Doiciméid → Deighilt → Leabaithe → Stóráil Veicteoireach

Tarlaíonn an ceist ar líne, do gach ceist a chuirtear, agus caithfidh sí fanacht tapa:

Ceist → Leabú → Cuardach → Comhthéacs + Ceist → LLM → Freagra

Tá toradh praiticiúil ag an deighilt seo: íoctar costais ionghabhála uair amháin agus is féidir leo a bheith trom, ach íoctar costais ceiste in aghaidh an ghlao agus socraíonn siad taithí an úsáideora. Is féidir leat próiseáil shofaisticeáilte ionghabhála a cheadú dá bhrí sin, ach caithfidh tú fanacht caol ar an taobh ceiste.

Cur i bhFeidhm Iomlán

Déanann an rang seo a leanas ábharthacht na dtrí chéim i dtrí mhodh ar leith, móide ceathrú ceann a chuireann iad le chéile. Níl an deighilt seo cosmaideach: ligeann sé duit cuardach a thástáil gan tokení giniúna a úsáid, agus giniúint a athsheinm ar chomhthéacs seasta chun dhá leid a chur i gcomparáid.

from openai import OpenAI
import numpy as np

client = OpenAI()

class PipelineRAG:
    def __init__(
        self,
        model_embedding: str = "text-embedding-3-large",
        model_generation: str = "gpt-5.6-terra"
    ):
        self.client = OpenAI()
        self.model_embedding = model_embedding
        self.model_generation = model_generation
        self.chunks: list[dict] = []
        self.embeddings: np.ndarray | None = None

    # --- Céim Ionghabhála ---

    def ingest(self, documents: list[dict]):
        """Ionghabhlann sé doiciméid {id, text, metadata}."""
        self.chunks = documents
        texts = [d["text"] for d in documents]

        # Giniúint leabaithe i mbaitcí
        all_emb = []
        for i in range(0, len(texts), 100):
            batch = texts[i:i + 100]
            resp = self.client.embeddings.create(
                input=batch, model=self.model_embedding
            )
            batch_emb = sorted(resp.data, key=lambda x: x.index)
            all_emb.extend([e.embedding for e in batch_emb])

        self.embeddings = np.array(all_emb, dtype=np.float32)
        print(f"Ionghabháil críochnaithe: {len(self.chunks)} píosa innéacsaithe")

    # --- Céim Aisghabhála ---

    def search(self, question: str, k: int = 5) -> list[dict]:
        """Aimsíonn sé na k píosa is ábhartha."""
        query_emb = self.client.embeddings.create(
            input=question, model=self.model_embedding
        ).data[0].embedding

        scores = self.embeddings @ np.array(query_emb)
        top_k = np.argsort(scores)[-k:][::-1]

        return [
            {**self.chunks[i], "score": float(scores[i])}
            for i in top_k
        ]

    # --- Céim Giniúna ---

    def generate(self, question: str, contexts: list[dict]) -> str:
        """Giníonn sé freagra bunaithe ar chomhthéacsanna aisghafa."""
        # Tóg an leid
        formatted_context = "\n\n---\n\n".join(
            f"[Source: {c.get('id', 'unknown')}]\n{c['text']}"
            for c in contexts
        )

        messages = [
            {
                "role": "system",
                "content": (
                    "You are an assistant that answers questions "
                    "based solely on the provided documents. "
                    "If the information is not in the documents, "
                    "state this clearly. Cite your sources."
                )
            },
            {
                "role": "user",
                "content": (
                    f"Reference documents:\n\n{formatted_context}\n\n"
                    f"---\n\nQuestion: {question}"
                )
            }
        ]

        response = self.client.chat.completions.create(
            model=self.model_generation,
            reasoning_effort="none",  # temperature requires effort none
            messages=messages,
            temperature=0.2
        )

        return response.choices[0].message.content

    # --- Píblíne Iomlán ---

    def answer(self, question: str, k: int = 5) -> dict:
        """Píblíne RAG iomlán: cuardach → giniúint."""
        contexts = self.search(question, k=k)
        response = self.generate(question, contexts)

        return {
            "question": question,
            "response": response,
            "sources": [
                {"id": c["id"], "score": c["score"],
                 "excerpt": c["text"][:150]}
                for c in contexts
            ]
        }

Tiomáineann trí mhionsonra sa chéim ghiniúna an chuid is mó den cháilíocht. Éilíonn an teachtaireacht chórais freagairt amháin ó na doiciméid soláthraithe agus admháil nuair atá faisnéis in easnamh: gan an treoir seo, líonfaidh an tsamhail bearnaí lena cuid eolais ghinearálta, rud a tháirgeann freagra inchreidte ach cumtha. Tugann an réimír [Source: id] roimh gach blúire rud sonrach don tsamhail le lua, seachas “de réir na ndoiciméad” doiléir. Ar deireadh, laghdaíonn temperature de 0.2 an inathraitheacht: do cheisteanna fíriciúla i gcoinne bonn doiciméad, ba mhaith leat comhsheasmhacht, ní cruthaitheacht.

Úsáid

Déanaimis an phíblíne a thástáil ar chás gnó íosta—trí bheartas inmheánacha, agus ceist nach gcóipeálann aon cheann dá bhfrásaíocht bheacht.

# Ullmhaigh doiciméid
documents = [
    {
        "id": "leave-policy",
        "text": "Employees receive 25 days of paid leave "
                 "per year. Leave must be requested at least 2 weeks "
                 "in advance via the HR portal.",
        "metadata": {"type": "hr", "date": "2026-01"}
    },
    {
        "id": "remote-work-policy",
        "text": "Remote work is authorized up to 3 days per week. "
                 "Tuesdays and Thursdays are mandatory office days. "
                 "Written agreement with the manager is required.",
        "metadata": {"type": "hr", "date": "2026-01"}
    },
    {
        "id": "reimbursement-procedure",
        "text": "Expense reports must be submitted within 30 days "
                 "of the expense. Attach the original receipt. "
                 "Validation by the direct supervisor required for amounts over 200 euros.",
        "metadata": {"type": "finance", "date": "2026-01"}
    },
]

# Cruthaigh an phíblíne
rag = PipelineRAG()
rag.ingest(documents)

# Cuir ceist
result = rag.answer("How many days of remote work per week?")
print(result["response"])
print("\nSources used:")
for s in result["sources"]:
    print(f"  [{s['score']:.3f}] {s['id']}: {s['excerpt']}")

Brúigh an cleachtadh níos faide trí cheist a chur nach bhfuil freagra ag aon doiciméad uirthi, mar shampla ceist faoin bplean sláinte cuideachta. Filleann an phíblíne trí fhoinse fós—filleann cuardach a chuid iarrthóirí is fearr i gcónaí—agus is é an teachtaireacht chórais a chaithfidh cosc a chur ar an tsamhail freagra a chumadh. Is fearr an iompar seo a fhíorú roimh tháirgeadh ná é a fháil amach trí ghearán.

Pointí Feabhsaithe

Is féidir gach céim den phíblíne a fheabhsú go neamhspleách, rud a ligeann dul chun cinn trí bheagán mionchoigeartuithe inbhraite.

CéimFeabhsuithe Féideartha
DeighiltMéid píosa, forluí, deighilt shéimeantach
LeabúRoghnú samhla, toisí, saibhriú téacs
CuardachHibrideach, athrangú, scagairí meiteashonraí
LeidTreoracha córais, formáid comhthéacs, cúpla sampla
GiniúintSamhail, teocht, luanna

Déanann na ceachtaí seo a leanas mionsonrú ar gach ceann de na feabhsuithe seo. Tackle iad san ord seo: cinneann an deighilt cad is féidir a aisghabháil, agus ní shocróidh aon athrangú doiciméad a deighleadh go dona.

Príomhphointí

  • RAG = Cuardach + Comhthéacs + Giniúint LLM
  • Roinntear an phíblíne ina ionghabháil (as líne) agus ceist (ar líne)
  • Is féidir gach comhpháirt (deighilt, leabú, cuardach, leid, giniúint) a fheabhsú go neamhspleách
  • Tá RAG níos solúbtha agus níos saoire ná mionchoigeartú chun eolas a chur leis