Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Réamhrá ar RAG

Ceacht 9 as 18 Nuashonraithe 2 Samhain 2026 Forbróir
Ar an leathanach seo
  1. Cad é RAG?
  2. Ailtireacht RAG
  3. RAG vs Mionchoigeartú (Fine-Tuning)
  4. An Cruachas Teicneolaíochta
  5. Cathain RAG a Úsáid?
  6. Príomhphointí

Cad é RAG?

Is ailtireacht é RAG (Retrieval-Augmented Generation nó “Giniúint Fheabhsaithe le hAisghabháil”) a chumascann córas aisghabhála faisnéise le mórthionscadal teanga (LLM). In ionad brath go hiomlán ar eolas inmheánach an mhúnla, déanann RAG cuardach ar fhaisnéis ábhartha i mbunachar sonraí ar dtús, agus ansin instilleann sé an fhaisnéis sin sa leid chun freagra a ghiniúint atá bunaithe ar shonraí fíor.

Cén fáth ar éirigh RAG riachtanach? Toisc go bhfuil trí theorainn bhunúsacha ag LLManna, agus tagann siad uile chun cinn ag an am céanna: nuair a chuireann duine ceist faoi do chuideachta. Ar an gcéad dul síos, eolas reoite: níl a fhios ag múnla ach an rud a d’fhoghlaim sé le linn oiliúna, mar sin níl a fhios aige faoin nuashonrú praghsais a rinne tú an mhí seo caite. Ina dhiaidh sin, hallúiciníochtaí: nuair a chuirtear ceist air faoi nós imeachta inmheánach nach bhfuil ar eolas aige, cruthaíonn an múnla freagra atá inchreidte ach mícheart go hiomlán, le muinín iomlán. Faoi dheireadh, tá sonraí príobháideacha as teacht de réir deartha: níl rochtain ag an múnla ar do dhoiciméid inmheánacha, agus ní mhaireofá leo a bheith i gcorpas oiliúna ar aon nós.

Réitíonn RAG an triúr fadhbanna seo trí chéim aisghabhála a chur leis roimh ghiniúint. Ní cuimhne le cur faoi cheist a thuilleadh é an múnla, ach inneall scríbhneoireachta a chuirtear i bhfeidhm ar dhoiciméid atá faoi do smacht agat.

Ailtireacht RAG

Roinntear píblíne RAG ina dhá phríomhchéim: céim innéacsaithe a dhéantar roimh ré, agus timthriall a ritear do gach ceist. Is iad na ceithre chéim thíos cnámh droma na gcéimeanna teagaisc atá le teacht.

1

Innéacsú (as líne)

Roinn do dhoiciméid ina mblúirí, ionchódaigh iad mar leabaithe (embeddings), agus stóráil iad i siopa veicteoir. Tarlaíonn an chéim seo uair amháin (nó le linn nuashonruithe).

2

Aisghabháil

Ionchódaigh ceist an úsáideora mar leabú, ansin déan cuardach ar na blúirí is cosúla sa siopa veicteoir ag baint úsáide as cosúlacht chomhshínis.

3

Feabhsú (leid shaibhrithe)

Instill na blúirí a aisghabhadh i leid an LLM mar chomhthéacs. Tá faisnéis fhíricheach ag an múnla anois chun freagra a thabhairt.

4

Giniúint

Ginann an LLM freagra bunaithe ar an gcomhthéacs a soláthraíodh. Tá an freagra fíricheach, foinsithe, agus ábhartha.

Ní éilíonn ach an chéad chéim am ríomhaireachta suntasach; ritheann na trí cinn eile i bhfad faoi shoicind. Sin é an rud a dhéanann an ailtireacht inmharthana do sheirbhís a chuirtear faoi cheist go leanúnach: ionchódaíonn tú do dhoiciméadúchán uair amháin, agus ansin ní chosnaíonn gach ceist ach glao amháin leabaithe agus glao amháin giniúna.

RAG vs Mionchoigeartú (Fine-Tuning)

Réitíonn RAG agus mionchoigeartú fadhbanna cosúla ach ar bhealaí éagsúla. Sa tábla thíos, atá scríofa anseo mar struchtúr Python, cuirtear an dá chur chuige i gcomparáid le chéile ar chúig chritéar.

# RAG vs Fine-Tuning Comparison

comparison = {
    "RAG": {
        "update": "Instant (add/remove documents)",
        "cost": "Low (no retraining)",
        "traceability": "Excellent (you know where the info came from)",
        "hallucinations": "Reduced (answers grounded in sources)",
        "use_cases": "Documentation, FAQs, knowledge bases",
    },
    "Fine-tuning": {
        "update": "Expensive (retraining required)",
        "cost": "High (GPUs, time, annotated data)",
        "traceability": "Low (knowledge baked into the model)",
        "hallucinations": "Possible (model may extrapolate)",
        "use_cases": "Writing style, output format, specific tasks",
    },
}

Is minic gurb é an líne “nuashonrú” a réitíonn an scéal. Má tá earráid le socrú i nós imeachta, ciallaíonn sé le RAG comhad a athsholáthar agus cúpla blúire a athionchódú – rud a thógann nóiméid. Le mionchoigeartú, éilíonn an ceartúchán céanna tacar sonraí a aththógáil agus oiliúint a athrith, gan aon ráthaíocht go ndearna dearmad iomlán den leagan sean. Go praiticiúil, is é RAG an rogha is fearr de ghnáth chun eolas fíricheach atá ag athrú a chomhtháthú, cé go bhfuil mionchoigeartú níos fearr chun iompar nó stíl an mhúnla a athrú. Níl an dá cheann comheisiach: is féidir múnla a mhionchoigeartaíodh chun freagra a thabhairt i bhformáid atá ag teastáil ó do ghnó a bheith á chothú ag RAG fós.

An Cruachas Teicneolaíochta

Chun píblíne RAG a thógáil le Mistral, ní theastaíonn ach trí leabharlann, agus tógann an tsuiteáil líne amháin.

# Essential dependencies
# pip install mistralai faiss-cpu numpy

from mistralai.client import Mistral  # LLM + Embeddings
import faiss                    # Vector store
import numpy as np              # Vector calculations

Láimhseálann an SDK mistralai glaonna ar an múnla leis féin: leabaithe le mistral-embed agus giniúint le mistral-large. Glacann faiss-cpu, leabharlann Meta le haghaidh cuardaigh veicteoir tapa, an uair a éiríonn comparáid uileghabhálach ró-mhall – thar roinnt deich mílte veicteoir. Faoi dheireadh, láimhseálann numpy na hoibríochtaí maitríse veicteoir a cheanglaíonn gach rud le chéile. sna ceachtanna seo a leanas, tógfaidh tú gach céim den phíblíne seo ón mbun, ó ullmhú sonraí go giniúint freagartha.

Cathain RAG a Úsáid?

Tá RAG oiriúnach go háirithe nuair a bhíonn doiciméid inmheánacha agat – doiciméadúchán teicniúil, nósanna imeachta, conarthaí – nach bhfaca aon mhúnla poiblí riamh. Is é an rogha cheart é freisin nuair a athraíonn an fhaisnéis go minic: praghsanna, infhaighteacht, rialacháin. Cosnaíonn seirbhís a thugann praghsáil as dáta níos mó ná ceann nach bhfreagraíonn ar chor ar bith.

Tá trí chás eile a threoraíonn go nádúrtha i dtreo RAG. Ar an gcéad dul síos, an ghá le hinrianaitheacht, nuair a chaithfidh tú a bheith ar an eolas faoi thionscnamh gach píosa faisnéise – riachtanas coitianta in earnálacha rialáilte agus, ar aon nós, coinníoll do mhuinín an úsáideora. Sa dara háit, an sprioc hallúiciníochtaí a laghdú, ós rud é nach bhfuil aon chúis le múnla a bhfuil an blúire ceart aige rud a chumadh. Faoi dheireadh, an buiséad: nuair nach bhfuil na hacmhainní ná na sonraí anótáilte agat le haghaidh mionchoigeartaithe, tairgeann RAG bealach praiticiúil le dornán beag doiciméad agus cúpla uair an chloig oibre.

Príomhphointí

  • Cumascaíonn RAG aisghabháil faisnéise le giniúint LLM
  • Roinntear an ailtireacht ina: innéacsú, aisghabháil, feabhsú, giniúint
  • Is fearr RAG ná mionchoigeartú le haghaidh eolais fhíricigh atá ag athrú
  • Soláthraíonn Mistral an dá bhloc tógála riachtanacha: leabaithe agus LLM
  • Is é FAISS an leabharlann tagartha le haghaidh cuardaigh veicteoir