Optimaliseer de relevantie van uw zoekopdrachten
Op deze pagina
De kwaliteit van de resultaten hangt van u af
De zoekmachine van xAI is krachtig, maar werkt alleen met het materiaal dat u aanlevert. Een slecht voorbereide collectie levert matige resultaten op, zelfs met het beste model. Dit leidt teams er vaak ten onrechte toe te concluderen dat “RAG niet werkt”. U heeft controle over drie hefbomen: de documentstructuur, de formulering van de query en de organisatie van de collectie. Deze les behandelt ze in die volgorde en biedt vervolgens een methode om uw voortgang te meten.
Documenten voorbereiden voor chunking
De engine vertrouwt op de documentstructuur om inhoud in chunks op te splitsen: titels, ondertitels en alinea’s dienen als markers. Een kop zoals “Restitutiebeleid voor onlineaankopen” geeft de chunk een duidelijke identiteit en maakt deze vindbaar; “Sectie 3.2.1” levert geen bruikbaar signaal op voor chunking of semantische matching. Het hernoemen van koppen in een interne handleiding voordat deze wordt geïndexeerd, is vaak de optimalisatie met het hoogste rendement in het hele project.
De documentgrootte is vervolgens van belang. Een PDF van 500 pagina’s produceert honderden chunks die met elkaar concurreren: hoe groter en gevarieerder het interne corpus van een document, hoe groter het risico dat een irrelevant fragment hoog scoort. Splits deze monolieten op in thematische secties. Streef naar documenten van twintig tot vijftig pagina’s die aan één onderwerp zijn gewijd, in plaats van een verzameldocument dat alles behandelt.
Dan is er nog de kwestie van context. Elke chunk wordt geïsoleerd gelezen, losgerukt van wat eraan voorafgaat, wat anforische verwijzingen onbruikbaar maakt. Een zin als “zoals hierboven vermeld, geldt deze termijn ook voor bulkbestellingen” wordt onbruikbaar zodra deze gechunkt is: noch de termijn, noch het onderwerp verschijnt in het fragment. Schrijf “de bedenktijd van veertien dagen geldt ook voor bulkbestellingen” en de chunk staat op zichzelf.
Schrijf betere query’s
De precisie van de query weegt even zwaar als de kwaliteit van het corpus. Een zoekopdracht naar “beveiliging” levert tientallen uiteenlopende fragmenten op, variërend van wachtwoorden tot fysieke toegangscontrole; “firewallconfiguratie voor inkomende verbindingen op poort 443” richt zich direct op de twee of drie nuttige passages. Wanneer uw documenten gevestigde technische vocabulaire gebruiken, hergebruik dit dan: zelfs in de hybride modus, die exacte matching en semantisch begrip combineert, blijft de letterlijke term een sterk signaal.
Geef de voorkeur aan volledige vragen boven trefwoordpakketten. “API-verbinding time-out” laat de engine raden naar uw intentie, terwijl “Hoe configureer ik de time-out voor de API-verbinding?” een grammaticale structuur biedt om te matchen met geïndexeerde zinnen. De winst is vooral duidelijk in de semantische modus, die is ontworpen voor natuurlijke taal.
Benut metadata en organisatie
Als u metadata heeft gedeclareerd met inject_into_chunk, worden deze opgenomen in de geïndexeerde tekst en worden ze ankerpunten. Een veld department dat in elke chunk wordt geïnjecteerd, zorgt ervoor dat de query “validatieprocedure in het marketingteam” spontaan documenten van de marketingafdeling naar boven haalt, zonder dat er een expliciet filter is ingesteld.
Thematische organisatie van collecties produceert hetzelfde effect op een grotere schaal. Gebruik in plaats van één enkele collectie die alles bevat, aparte collecties zoals col_docs_techniques voor technische documentatie, col_procedures_internes voor processen, en col_support_client voor veelgestelde vragen en gebruikershandleidingen. Een klantgerichte assistent queryt vervolgens alleen de derde: minder documenten om door te zoeken betekent preciezere resultaten en lagere kosten, aangezien er geen oproepen naar nutteloze collecties gaan. De zoekmodus voltooit deze instelling: keyword voor code of exacte referenties, semantic voor een conceptuele vraag, en hybrid bij twijfel en als standaard.
Meet voordat u implementeert
Niets van dit alles is relevant zonder evaluatie. Bouw voor de productie een testset: formuleer tien tot twintig vragen die echte gevallen vertegenwoordigen, de vragen die uw gebruikers daadwerkelijk stellen, niet die welke u zich voorstelt. Voer ze uit, beoordeel de relevantie van de geretourneerde resultaten en noteer query’s die terugkomen met ontoereikende fragmenten. Deze geven aan wat u moet verbeteren: verbeter de structuur van het betreffende document, voeg metadata toe of herformuleer de query zelf.
Scores dienen als uw thermometer tijdens deze lus. Elk resultaat heeft een waarde tussen 0 en 1; als uw typische query’s consequent blijven steken onder de 0,5, zoek het probleem dan niet aan de kant van het model. Ofwel zijn uw documenten slecht gestructureerd, blijven uw vragen te vaag, of—wat het vaakst voorkomt en het meest verkeerd wordt gediagnosticeerd—bevat uw corpus simpelweg niets over het gevraagde onderwerp. Het opnieuw uitvoeren van dezezelfde vragenreeks na elke wijziging vertelt u, met cijfers, of u vooruitgang boekt.
Belangrijkste punten
- De kwaliteit van de resultaten hangt af van de documentstructuur, de precisie van de query en de organisatie van de collectie
- Expliciete titels en redelijke documentgroottes verbeteren de chunking
- Volledige vragen in natuurlijke taal leveren betere resultaten op dan geïsoleerde trefwoorden
- Metadata via
inject_into_chunkverrijkt chunks en verbetert de relevantie - Test uw collecties met typische query’s voordat u ze in productie neemt