Keresési módok: kulcsszavas, szemantikai, hibrid
Ezen az oldalon
Három megközelítés az információkereséshez
A retrieval_mode mező három értéket fogad el, és ez a választás nem csupán kozmetikai kérdés: meghatározza, hogy a motor mit hasonlít össze. Az egyik mód a szavakat, a másik a jelentést, a harmadik pedig mindkettőt vizsgálja. A dokumentumaidtól és attól függően, hogyan fogalmazzák meg a felhasználóid a kérdéseiket, a két mód közötti relevanciakülönbség drámai lehet ugyanazon a gyűjteményen.
Kulcsszavas mód: szó szerinti egyezés
A kulcsszavas mód egy klasszikus keresőmotorhoz hasonlóan viselkedik. A lekérdezésedben szereplő szavakat hasonlítja össze az indexelt szöveggel, és olyan részleteket emel ki, amelyek ténylegesen tartalmazzák ezeket a szavakat.
{
"query": "VAT rate 20%",
"source": { "collection_ids": ["col_fiscal"] },
"retrieval_mode": { "type": "keyword" }
}
Erőssége a szó szerinti egyezésben rejlik. Egy „XR-2847“ típusú termékhivatkozás, egy számlaszám, egy jogszabályi cikkely vagy egy ipari mozaikszó esetén nem követ el hibákat: vagy ott van a karaktersorozat, vagy nincs. Nem számít ki beágyazásokat (embeddings), így gyors. Gyengesége ennek az előnynek a pontos fordítottja: nem ért semmit. Ha a dokumentumod az „általános forgalmi adóról“ beszél, a felhasználó pedig azt írja be, hogy „ÁFA“, nem történik egyezés, és nullás találatot kapsz egy olyan dokumentumból, amely valójában tartalmazta a választ. Minden attól függ, hogy a szerző és az olvasó szókincse véletlenül egybeesik-e, ami kockázatos fogadás, amint a felhasználóid nem a dokumentumok szerzői.
Szemantikai mód: a jelentés megértése
A szemantikai mód vektorokká alakítja a lekérdezést és a szövegrészleteket (chunkokat), majd jelentéseket hasonlít össze, nem pedig karaktereket. Így olyan releváns részleteket is előhoz, amelyeknél nincs közös szó.
{
"query": "how to reduce sales taxes",
"source": { "collection_ids": ["col_fiscal"] },
"retrieval_mode": { "type": "semantic" }
}
Ez a lekérdezés nem tartalmazza sem az „ÁFA“, sem a „mentesség“ szót, mégis előhozza az ÁFA-val, az általános forgalmi adóval, az adólevonásokkal vagy a mentességekkel foglalkozó szakaszokat. Pontosan erre van szükséged egy nyilvános asszisztens esetén: a felhasználóid a saját szavaikkal kérdeznek, nem a jogi osztályod szókincsével. A mód gond nélkül kezeli a szinonimákat – a „visszatérítés“, a „jóváíró számla“ és a „jóváírás“ természetesen csoportosulnak együtt a vektortérben. Cserébe elveszíti a pontosságot ott, ahol az abszolút szükséges: egy „XR-2847“ termékkód szemantikailag hasonlónak tűnhet az „XR-2874“-hez, és a motor a rosszat is visszaadhatja. Minden lekérdezéshez beágyazás-számítás szükséges, így van egy számítási költsége, ami a kulcsszavas módnál nem merül fel.
Hibrid mód: mindkét jel egyszerre
A hibrid mód az alapértelmezett mód, és ezt ajánlja az xAI is, mert elutasítja a kompromisszumot. Vegyünk egy tipikus jogi lekérdezést, amely pontos hivatkozást és elmosódott fogalmakat is kever.
{
"query": "article L.121-3 director liability",
"source": { "collection_ids": ["col_juridique"] },
"retrieval_mode": { "type": "hybrid" }
}
A feldolgozás három lépésben történik. A motor először lefuttat egy kulcsszavas keresést a pontos egyezések, itt az „L.121-3“ karaktersorozat megtalálására. Ezzel párhuzamosan lefuttat egy szemantikai keresést is, amely a vezetői felelősséghez koncepcionálisan kapcsolódó szakaszokat keresi meg, még akkor is, ha nem használják ezeket a pontos szavakat. Végül egyesíti a két listát, és újra rangsorolja őket a teljes relevancia maximalizálása érdekében.
Az eredmény magában foglalja mind azokat a cikkeket, amelyek kifejezetten hivatkoznak az L.121-3-ra, mind azokat a kommentárokat, amelyek a vezetői felelősséggel foglalkoznak anélkül, hogy megemlítenék a cikkelyt. A visszakeresés (recall) jelentősen javul: kevesebb releváns dokumentumról maradsz le, függetlenül a kérdés stílusától. Ezért működik a hibrid mód ugyanolyan jól egy technikai lekérdezésnél, mint egy beszélgetős фразénál, és ezért constitutes ez az ésszerű alapértelmezett választás.
Két helyzet nevertheless indokolttá teszi ettől a beállítástól való eltérést. Ha egy kódbázisban egy specifikus függvény aláírását keresed, a szemantikai zaj ellened dolgozik, és a keyword élesebb lesz. Ezzel szemben tágabb felfedezés esetén – „mit írtunk eddig az ügyfélhűségről?“ –, amikor nincs olyan pivot kifejezés, amihez igazodni lehetne, a semantic szélesebb hálót vet, és segít felfedezni olyan dokumentumokat, amelyekre nem is számítottál.
Módok összehasonlítása
| Kritérium | kulcsszavas | szemantikai | hibrid |
|---|---|---|---|
| Pontos kifejezések | Kiváló | Közepes | Jó |
| Szinonimák | Gyenge | Kiváló | Jó |
| Természetes nyelv | Gyenge | Kiváló | Kiváló |
| Kódok/hivatkozások | Kiváló | Gyenge | Jó |
| Ajánlás | Specifikus esetek | Felfedezés | Alapértelmezett |
Egy egyszerű módszer a döntéshez: végy tíz valós kérdést a felhasználóidtól, futtasd le mindhárom módban ugyanazon a gyűjteményen, és hasonlítsd össze az első öt találatot. Tizenöt perc alatt kiderül, hogy a korpuszod inkább a pontos szókincshez vagy inkább a jelentéshez hajlik.
Főbb megállapítások
- A kulcsszavas mód pontos egyezéseket keres – ideális technikai kifejezésekhez és hivatkozásokhoz
- A szemantikai mód megérti a jelentést – ideális természetes nyelvű kérdésekhez
- A hibrid mód egyesíti mindkettőt – ez az ajánlott alapértelmezett választás
- Használd a
keywordmódot kódok, azonosítók vagy pontos értékek keresésére - Használd a
hybridmódot minden egyéb esetben