RAG Adattattiv
F'din il-paġna
Irrota l-mistoqsijiet b’mod intelliġenti
Is-Self-RAG japplika l-istess trattament għal kull mistoqsija, u dik eżattament hija n-nuqqas tiegħu. Jekk tistaqsih x’inhu żewġ pluss żewġ: se jikkodifika l-mistoqsija, ifittix fl-indiċi, jivvaluta erba’ dokumenti mhux rilevanti, jaqleb għall-web, jiġġenera u jivverifika. Dawn huma dożina ta’ sejħiet LLM għal mistoqsija li mudell isolvi istantanjament. Mhux il-mistoqsijiet kollha għandhom l-istess kumplessità, u mistoqsija fattwali sempliċi ma teħtiġx l-istess trattament bħal waħda li teħtieġ sinteżi minn dokumenti multipli. Għalhekk, ir-RAG Adattattiv iżid router intelliġenti qabel il-pipeline: janalizza l-mistoqsija u jagħżel l-istrateġija ottimali qabel ma jidħol f’ipproċessar għali.
Ir-router għandu tliet destinazzjonijiet. Il-mistoqsijiet dwar suġġetti koperti attwalment mid-dokumenti tiegħek imorru lejn il-maħżen vettorjali; din hija t-triq sħiħa tar-RAG. Il-mistoqsijiet dwar avvenimenti attwali jew barra mill-kamp indiċjat imorru lejn it-tiftix fil-web, peress li l-indiċi jirritorna biss storbju. Fl-aħħar nett, il-mistoqsijiet sempliċi jew ta’ għarfien ġenerali jirċievu tweġiba diretta mill-mudell, mingħajr l-ebda rkupru.
Implimenta r-router
Il-parti diffiċli hija li r-router irid ikun jaf il-kamp ta’ applikazzjoni tal-indiċi tiegħek biex jieħu deċiżjoni. Is-soluzzjoni magħżula hija sempliċi daqs kemm hija effettiva: tgħaddilu l-lista tas-suġġetti koperti, indexed_topics, li jqabbel mal-mistoqsija. It-tliet regoli huma ddikjarati b’mod espliċitu fil-prompt, u l-format JSON ristrett jiggarantixxi valur użabbli. Il-result.get("route", "vectorstore") jeħtieġ attenzjoni: f’każ ta’ output mhux mistenni, id-default jerġa’ lura għall-maħżen vettorjali. Dan huwa l-aktar imġiba sikura, li tiddependi fuq id-data tiegħek minflok il-web jew il-memorja tal-mudell.
import json
from mistralai.client import Mistral
client = Mistral(api_key=api_key)
def route_question(question, indexed_topics):
"""Irrota mistoqsija lejn l-aħjar strateġija."""
topics_str = ", ".join(indexed_topics)
prompt = f"""You are a question router. Given a question,
determine the best source of information.
Your indexed documents cover the following topics: {topics_str}
Rules:
- If the question concerns indexed topics -> "vectorstore"
- If the question concerns current events or an uncovered topic -> "websearch"
- If the question is very simple or general knowledge -> "direct"
Respond ONLY with a JSON object: {{"route": "vectorstore"}} or {{"route": "websearch"}} or {{"route": "direct"}}
Question: {question}
Route JSON:"""
response = client.chat.complete(
model="mistral-large-latest",
messages=[{"role": "user", "content": prompt}],
temperature=0,
response_format={"type": "json_object"},
)
result = json.loads(response.choices[0].message.content)
return result.get("route", "vectorstore")
# Ittestja r-router
topics = ["embeddings", "RAG", "Mistral AI", "vector search", "FAISS"]
tests = [
"How does mistral-embed work?", # -> vectorstore
"What is Apple's stock price today?", # -> websearch
"How much is 2 + 2?", # -> direct
"What are the steps of RAG?", # -> vectorstore
"Who won the 2026 World Cup?", # -> websearch
]
for q in tests:
route = route_question(q, topics)
print(f" [{route:12s}] {q}")
Is-sett tat-test juri kull xenarju u se jservi bħala s-sigurtà tiegħek. Mistoqsija dwar il-mistral-embed taqa’ eżattament fis-suġġetti ddikjarati, allura tmur lejn il-maħżen vettorjali. Il-prezzijiet tal-ishma jew ir-riżultati tal-kompetizzjonijiet jinbidu kuljum: l-ebda indiċi statiku ma jista’ jkun fihom, allura jmorru lejn il-web. Żewġ pluss żewġ ma jeħtiġix la korpus u lanqas tiftix. Uża mill-ġdid dan il-blokk bis-suġġetti tiegħek u madwar ħmistax-il mistoqsija rappreżentattiva tat-traffiku attwali tiegħek: din hija l-aktar mod ekonomiku biex tivverifika li l-lista topics hija preċiża biżżejjed. Router li jibgħat kollox lejn il-maħżen vettorjali ma jżid l-ebda valur, u router li jwieġeb direttament dwar is-suġġetti tan-negozju tiegħek huwa sempliċiment perikoluż.
Il-pipeline sħiħa
L-AdaptiveRAG jiġbor flimkien kull ma bnejt matul l-aħħar tliet lezzjonijiet. Kull rotta għandha l-metodu ta’ eżekuzzjoni tagħha, u l-metodu ask jinqara bħal dikjarazzjoni switch. Ir-rotta direct tirritorna immedjatament, b’temperatura ta’ 0.3 peress li m’hemm l-ebda kuntest li wieħed irid jaderixxi miegħu, u lista vojta ta’ sorsi li tissuġġerixxi onestament lill-utent li xejn ma jappoġġja din it-tweġiba. Ir-rotta websearch tiġġenera mir-riżultati tal-web biss. Ir-rotta vectorstore, madankollu, tiddispjega l-artillerija sħiħa: gradwazzjoni tad-dokumenti bl-istil ta’ Corrective RAG, fallback għall-web jekk l-ebda wieħed ma jibqa’, imbagħad ċiklu ta’ ġenerazzjoni b’verifiki ta’ fundamentazzjoni u utilità wirt mis-Self-RAG, raggruppati hawnhekk f’grade_and_correct.
Differenza waħda fil-limitu hija importanti meta mqabbla mal-lezzjoni dwar Corrective RAG. Il-fallback għall-web ma jiġix attivat malli jiġi skartat dokument, iżda biss jekk relevant_docs tkun vojta. Din il-għażla hija aktar tolleranti: meta żewġ minn erba’ biċċiet jibqgħu rilevanti, huwa raġonevoli li tiġġenera bihom minflok ma tmur għall-web, li tiffranka sejħa u tnaqqas il-latency. Trid tarbitra abbażi tar-rekwiżiti tad-dominju tiegħek.
import numpy as np
class AdaptiveRAG:
"""Pipeline RAG Adattattiv b'rotta intelliġenti."""
def __init__(self, chunks, embeddings, index, topics):
self.chunks = chunks
self.embeddings = embeddings
self.index = index
self.topics = topics
def route(self, question):
"""Iddetermina l-istrateġija ottimali."""
return route_question(question, self.topics)
def retrieve_from_vectorstore(self, question, k=4):
"""Irkupru mill-maħżen vettorjali lokali."""
response = client.embeddings.create(
model="mistral-embed", inputs=[question]
)
query_vec = np.array([response.data[0].embedding], dtype=np.float32)
distances, indices = self.index.search(query_vec, k)
return [
{"text": self.chunks[idx]["text"], "source": "vectorstore"}
for dist, idx in zip(distances[0], indices[0]) if idx >= 0
]
def search_web(self, question):
"""Tiftix fil-web għal mistoqsijiet barra mill-kamp."""
return web_search_fallback(question)
def direct_answer(self, question):
"""Tweġiba diretta mingħajr irkupru."""
response = client.chat.complete(
model="mistral-large-latest",
messages=[{"role": "user", "content": question}],
temperature=0.3,
)
return response.choices[0].message.content
def generate_with_context(self, question, documents):
"""Ġenerazzjoni bil-kuntest (RAG klassiku)."""
context = "\n\n---\n\n".join([d["text"] for d in documents])
prompt = f"Context:\n{context}\n\nQuestion: {question}"
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{"role": "system", "content": "Answer based on the provided context."},
{"role": "user", "content": prompt},
],
temperature=0.1,
)
return response.choices[0].message.content
def grade_and_correct(self, question, documents, generation):
"""Verifiki Self-RAG (alluċinazzjonijiet + utilità)."""
is_grounded = check_hallucination(documents, generation)
if not is_grounded:
return None, "hallucination"
is_useful = check_answer_usefulness(question, generation)
if not is_useful:
return None, "not_useful"
return generation, "ok"
def ask(self, question, max_retries=2):
"""Pipeline sħiħa ta' RAG Adattattiv."""
print(f"\n{'='*60}")
print(f"Question: {question}")
# 1. Rotra
route = self.route(question)
print(f"Chosen route: {route}")
# 2. Eżegwixxi abbażi tar-rotta
if route == "direct":
answer = self.direct_answer(question)
return {"answer": answer, "route": "direct", "sources": []}
elif route == "websearch":
docs = self.search_web(question)
answer = self.generate_with_context(question, docs)
return {"answer": answer, "route": "websearch", "sources": ["web"]}
else: # vectorstore
docs = self.retrieve_from_vectorstore(question)
# Gradwazzjoni tad-dokumenti
relevant_docs = []
for doc in docs:
if grade_document(question, doc["text"]):
relevant_docs.append(doc)
# Fallback għall-web jekk m'hemmx biżżejjed dokumenti rilevanti
if not relevant_docs:
print(" No relevant documents, web fallback...")
relevant_docs = self.search_web(question)
# Ċiklu ta' ġenerazzjoni b'verifika
for attempt in range(max_retries + 1):
generation = self.generate_with_context(question, relevant_docs)
answer, status = self.grade_and_correct(
question, relevant_docs, generation
)
if status == "ok":
return {
"answer": answer,
"route": "vectorstore",
"attempts": attempt + 1,
"sources": [d.get("source", "") for d in relevant_docs],
}
elif status == "not_useful":
web_docs = self.search_web(question)
relevant_docs.extend(web_docs)
# Irritorna l-aħħar ġenerazzjoni anke jekk mhix perfetta
return {
"answer": generation,
"route": "vectorstore",
"attempts": max_retries + 1,
"sources": [d.get("source", "") for d in relevant_docs],
}
# Użu
adaptive_rag = AdaptiveRAG(chunks, embeddings, index, topics=topics)
questions = [
"How do I create a FAISS index with mistral-embed?",
"What is the weather in Paris tomorrow?",
"How many dimensions does codestral-embed have?",
]
for q in questions:
result = adaptive_rag.ask(q)
print(f"\nRoute: {result['route']}")
print(f"Answer: {result['answer'][:200]}...")
It-tliet mistoqsijiet eżempju jgħaddu mit-toroq kollha f’daqqa waħda, u l-qasam route fir-riżultat jgħidlek liema waħda intużat. Dan huwa l-valur li għandek tirreġistra fil-produzzjoni: id-distribuzzjoni tar-rotot fit-traffiku reali tiegħek hija l-aħjar indikatur tas-saħħa tas-sistema tiegħek, li jikxef kemm indiċi dejjaq wisq kif ukoll router mal-kalibrat ħażin.
Punti Ewlenin
- Ir-RAG Adattattiv jirrota kull mistoqsija lejn l-istrateġija ottimali (maħżen vettorjali, web, diretta)
- Ir-router juża LLM b’output strutturat biex jikklassifika l-mistoqsijiet
- Il-mistoqsijiet dwar suġġetti indiċjati jmorru lejn il-maħżen vettorjali; il-bqija jmorru lejn il-web
- Ir-rotta tnaqqas il-latency u l-ispejjeż billi tevita RAG sħiħ għal mistoqsijiet sempliċi
- Ir-RAG Adattattiv jgħaqqad ideat minn Corrective RAG u Self-RAG mar-rotta