Zoptymalizuj trafność wyszukiwania
Na tej stronie
Jakość wyników zależy od Ciebie
Silnik wyszukiwania xAI jest potężny, ale działa wyłącznie na dostarczonych mu materiałach. Źle przygotowana kolekcja da przeciętne rezultaty nawet przy użyciu najlepszego modelu, co skłania zespoły do błędnego wniosku, że „RAG nie działa“. Masz do dyspozycji trzy dźwignie: strukturę dokumentów, formułowanie zapytań oraz organizację kolekcji. W tej lekcji omówimy je w tej właśnie kolejności, a następnie zaproponujemy metodę pomiaru Twoich postępów.
Przygotuj dokumenty do podziału na fragmenty
Silnik polega na strukturze dokumentu, aby podzielić treść na fragmenty: tytuły, podtytuły i akapity służą jako znaczniki. Nagłówek taki jak „Polityka zwrotów dla zakupów online“ nadaje fragmentowi wyraźną tożsamość i ułatwia jego odnalezienie; „Sekcja 3.2.1“ nie dostarcza żadnego użytecznego sygnału ani do podziału, ani do dopasowania semantycznego. Zmiana nazw nagłówków w instrukcji wewnętrznej przed indeksowaniem jest często optymalizacją o najwyższym zwrocie z inwestycji (ROI) w całym projekcie.
Kolejną istotną kwestią jest rozmiar dokumentu. Plik PDF liczący 500 stron generuje setki fragmentów, które konkurują ze sobą: im większy i bardziej zróżnicowany wewnętrzny korpus dokumentu, tym wyższe ryzyko, że nieistotny fragment uzyska wysoki wynik. Podziel te monolity na sekcje tematyczne, dążąc do dokumentów liczących od dwudziestu do pięćdziesięciu stron, poświęconych jednemu tematowi, zamiast tworzyć obszerny dokument obejmujący wszystko.
Pojawia się też kwestia kontekstu. Każdy fragment jest czytany w izolacji, wyrwany z tego, co go poprzedza, co skazuje odniesienia anaforyczne na niepowodzenie. Zdanie typu „jak wspomniano powyżej, ten termin dotyczy również zamówień hurtowych“ staje się bezużyteczne po podziale na fragmenty: ani termin, ani jego przedmiot nie pojawiają się we fragmencie. Napisz „czternastodniowy okres odstąpienia od umowy dotyczy również zamówień hurtowych“, a fragment będzie samodzielny.
Pisząc lepsze zapytania
Precyzja zapytania ma równie duże znaczenie jak jakość korpusu. Wyszukiwanie hasła „bezpieczeństwo“ zwraca dziesiątki rozproszonych fragmentów, od haseł po kontrolę dostępu fizycznego; „konfiguracja zapory sieciowej dla połączeń przychodzących na porcie 443“ natychmiast wskazuje dwa lub trzy przydatne fragmenty. Gdy Twoje dokumenty używają ustalonego słownictwa technicznego, stosuj je: nawet w trybie hybrydowym, który łączy dopasowanie dokładne ze zrozumieniem semantycznym, dosłowny termin pozostaje silnym sygnałem.
Preferuj pełne pytania zamiast pakietów słów kluczowych. „Limit czasu połączenia API“ pozostawia silnikowi zgadywanie Twoich intencji, podczas gdy „Jak skonfigurować limit czasu połączenia API?“ dostarcza struktury gramatycznej do dopasowania przeciwko zindeksowanym zdaniom. Zysk jest szczególnie widoczny w trybie semantycznym, który został zaprojektowany z myślą o języku naturalnym.
Wykorzystaj metadane i organizację
Jeśli zadeklarowałeś metadane za pomocą inject_into_chunk, są one włączane do zindeksowanego tekstu i stają się punktami kotwiczącymi. Pole department wstrzyknięte do każdego fragmentu oznacza, że zapytanie „procedura walidacji w zespole marketingu“ spontanicznie wyświetli dokumenty działu marketingu, bez konieczności ustawiania jakiegokolwiek jawnego filtra.
Tematyczna organizacja kolekcji daje ten sam efekt, ale na większą skalę. Zamiast jednej kolekcji zawierającej wszystko, rozdziel dane na col_docs_techniques dla dokumentacji technicznej, col_procedures_internes dla procesów oraz col_support_client dla często zadawanych pytań i przewodników użytkownika. Asystent obsługujący klienta odpytuje wtedy tylko tę trzecią kolekcję: mniejsza liczba dokumentów do przeszukania oznacza precyzyjniejsze wyniki i niższy koszt, ponieważ nie wykonuje się wywołań do nieużywanych kolekcji. Tryb wyszukiwania uzupełnia to ustawienie – keyword dla kodu lub dokładnych odniesień, semantic dla pytań koncepcyjnych, hybrid w razie wątpliwości i domyślnie.
Mierz przed wdrożeniem
Nic z tego nie ma znaczenia bez ewaluacji. Przed uruchomieniem produkcyjnym stwórz zestaw testowy: sformułuj od dziesięciu do dwudziestu pytań reprezentujących rzeczywiste przypadki, te, które Twoi użytkownicy faktycznie zadają, a nie te, które sobie wyobrażasz. Uruchom je, oceń trafność zwróconych wyników i zanotuj zapytania, które zwracają nieodpowiednie fragmenty. Wskażą one, co należy naprawić: popraw strukturę odpowiedniego dokumentu, dodaj metadane lub przeformułuj samo zapytanie.
Wyniki służą jako Twój termometr w tej pętli. Każdy rezultat niesie wartość od 0 do 1; jeśli Twoje typowe zapytania konsekwentnie osiągają wynik poniżej 0,5, nie szukaj problemu po stronie modelu. Albo Twoje dokumenty są źle ustrukturyzowane, Twoje pytania są zbyt ogólne, albo – co najczęstsze i najtrudniej diagnozowane – Twój korpus po prostu nie zawiera niczego na żądany temat. Ponowne uruchomienie tego samego zestawu pytań po każdej modyfikacji powie Ci, opierając się na liczbach, czy robisz postępy.
Kluczowe wnioski
- Jakość wyników zależy od struktury dokumentów, precyzji zapytań i organizacji kolekcji
- Wyraźne tytuły i rozsądne rozmiary dokumentów poprawiają podział na fragmenty
- Pełne pytania w języku naturalnym dają lepsze wyniki niż izolowane słowa kluczowe
- Metadane
inject_into_chunkwzbogacają fragmenty i poprawiają trafność - Przetestuj swoje kolekcje za pomocą typowych zapytań przed wdrożeniem produkcyjnym