Optimizē savu meklēšanas atbilstību
Šajā lapā
Rezultātu kvalitāte ir atkarīga no tevis
xAI meklēšanas dzinējs ir jaudīgs, taču tas strādā tikai ar materiāliem, ko tu tam nodrocini. Slikti sagatavota kolekcija rada viduvējus rezultātus pat ar vislabāko modeli, liekot komandām kļūdaini secināt, ka „RAG nedarbojas”. Tu kontrolē trīs sviras: dokumentu struktūru, vaicājumu formulēšanu un kolekcijas organizāciju. Šajā nodarbībā mēs tās aplūkosim šādā secībā, pēc tam piedāvājot metodi tava progresa mērīšanai.
Sagatavo dokumentus sadalīšanai fragmentos
Dzinējs paļaujas uz dokumentu struktūru, lai sadalītu saturu fragmentos: virsraksti, apakšvirsraksti un rindkopas kalpo kā marķieri. Virsraksts, piemēram, „Atmaksas politika tiešsaistes pirkumiem”, piešķir fragmentam skaidru identitāti un padara to atrodamu; „3.2.1. sadaļa” nesniedz nekādu izmantojamu signālu fragmentēšanai vai semantiskai saskaņošanai. Iekšējās rokasgrāmatas virsrakstu pārdēvēšana pirms indeksēšanas bieži vien ir visaugstākās atdeves optimizācija visā projektā.
Tālāk svarīgs ir dokumenta lielums. 500 lappušu PDF fails rada simtiem fragmentu, kas konkurē savā starpā: jo lielāks un daudzveidīgāks ir dokumenta iekšējais kopums, jo lielāks risks, ka neatbilstošs izraksts iegūs augstu vērtējumu. Sadali šos monolītus tematiskajās sadaļās, tiecoties uz dokumentiem, kas satur divdesmit līdz piecdesmit lappuses un ir veltīti vienam konkrētam tematem, nevis visaptverošiem dokumentiem, kas aptver visu.
Tad ir jautājums par kontekstu. Katrs fragments tiek lasīts izolēti, izrauts no tā, kas tam priekšā, kas lemj anaforiskās atsauces neveiksmei. Teikums, piemēram, „kā minēts iepriekš, šis termiņš attiecas arī uz lielapjoma pasūtījumiem”, kļūst nelietojams, tiklīdz tas ir sadalīts fragmentos: nedz termiņš, nedz tā subjekts neparādās fragmentā. Uzraksti „četrpadsmit dienu atteikuma periods attiecas arī uz lielapjoma pasūtījumiem”, un fragments spēs pastāvēt pats par sevi.
Raksti precīzākus vaicājumus
Vaicājuma precizitātei ir tikpat liels svars kā kopusa kvalitātei. Meklēšana pēc vārda „drošība” atgriež desmitiem dažādu izrakstu, sākot no parolēm līdz fiziskās piekļuves kontrolei; „ugunsmūra konfigurācija ienākošajiem savienojumiem 443. portā” nekavējoties atlasa divus vai trīs noderīgus fragmentus. Ja tavi dokumenti izmanto noteiktu tehnisko terminoloģiju, izmanto to arī tu: pat hibrīdrežīmā, kas apvieno precīzu saskaņošanu un semantisko izpratni, burtiskais termins joprojām ir spēcīgs signāls.
Dod priekšroku pilniem jautājumiem, nevis atsevišķu atslēgvārdu kopām. „API savienojuma noildze” liek dzinējam minēt tavu nodomu, turpretī „Kā konfigurēt API savienojuma noildi?” nodrošina gramatisko struktūru, ko saskaņot ar indeksētajiem teikumiem. Ieguvums ir īpaši skaidrs semantiskajā režīmā, kas ir izstrādāts dabiskai valodai.
Izmanto metadatus un organizāciju
Ja esi deklarējis metadatus, izmantojot inject_into_chunk, tie tiek iekļauti indeksētajā tekstā un kļūst par atbalsta punktiem. Lauks department, kas ievadīts katrā fragmentā, nozīmē, ka vaicājums „apstiprināšanas procedūra mārketinga komandā” spontāni izvirzīs mārketinga nodaļas dokumentus, nenosakot nekādus eksplicītus filtrus.
Tematiska kolekciju organizācija rada tādu pašu efektu lielākā mērogā. Vienas visaptverošas kolekcijas vietā izveido atsevišķas: col_docs_techniques tehniskajai dokumentācijai, col_procedures_internes procesiem un col_support_client BUJ un lietotāju rokasgrāmatām. Klientiem paredzēts asistents tad vaicā tikai trešo: mazāk dokumentu meklēšanai nozīmē precīzākus rezultātus un zemākas izmaksas, jo netiek veikti zvani uz nevajadzīgām kolekcijām. Meklēšanas režīms papildina šo iestatījumu – keyword kodam vai precīzai atsaucei, semantic konceptuālam jautājumam, hybrid, ja rodas šaubas, un kā noklusējuma variants.
Mēri pirms izvēršanas
Ne kam no tā nav jēgas bez novērtēšanas. Pirms nodošanas ekspluatācijā izveido testa kopu: formulē desmit līdz divdesmit jautājumus, kas atspoguļo reālus gadījumus – tos, ko tavi lietotāji patiesi uzdod, nevis tos, ko tu iztēlojies. Palaid tos, novērtē atgriezto rezultātu atbilstību un atzīmē vaicājumus, kas atgriež nepietiekamus izrakstus. Tie norāda, kas jālabo: uzlabo attiecīgā dokumenta struktūru, pievieno metadatus vai pārfrāzē pašu vaicājumu.
Šīs cikla laikā rādītāji kalpo kā tavs termometrs. Katram rezultātam ir vērtība no 0 līdz 1; ja tavi tipiskie vaicājumi konsekventi nepārsniedz 0,5, nemeklē problēmu modeļa pusē. Vai nu tavi dokumenti ir slikti strukturēti, tavi jautājumi paliek pārāk neskaidri, vai – visbiežāk un visnepareizāk diagnosticētajā gadījumā – tavā kopumā vienkārši nav nekā par pieprasīto tēmu. Tā paša jautājumu kopuma atkārtota palaišana pēc katras izmaiņas ar skaitļiem parāda, vai tu virzies uz priekšu.
Galvenās atziņas
- Rezultātu kvalitāte ir atkarīga no dokumentu struktūras, vaicājumu precizitātes un kolekcijas organizācijas
- Eksplicīti virsraksti un saprātīgi dokumentu izmēri uzlabo fragmentēšanu
- Pilni jautājumi dabiskā valodā dod labākus rezultātus nekā izolēti atslēgvārdi
inject_into_chunkmetadati bagātina fragmentus un uzlabo atbilstību- Pirms izvēršanas ražošanas vidē pārbaudi savas kolekcijas, izmantojot tipiskus vaicājumus