Artykuły dla tych, którzy
wdrażają stack
Materiały o React, Node.js, TypeScript i AI. Przetłumaczony tekst jest pokazany, gdy istnieje. Jeśli nie, widać tekst angielski i dopisek o tym.
Tag: Retrieval
Trzy przyczyny niepowodzeń systemów RAG w praktyce: fragmentaryczny kontekst, dewiacje i niewłaściwe wykorzystanie.
Trzy sposoby, w jakie systemy RAG do produkcji zawodzą: fragmentaryczny kontekst spowodowany dzieleniem na fragmenty, zmiany w bazie wiedzy w miarę jej rozwoju oraz niewłaściwe wykorzystanie pomimo skutecznego wyszukiwania, wraz z rozwiązaniami na poziomie poszczególnych warstw.
11 min czytaniaPrzegrupowanie w RAG: kodery krzyżowe kontra sędziowie LLM oraz ich opóźnienie
Jak druga warstwa ponownego rankowania poprawia kolejność kandydatów w RAG, porównanie koderów krzyżowych z sędziami opartymi na LLM, koszty opóźnień, sposoby awarii oraz jak je oceniać.
14 min czytaniaDlaczego istnieje RAG: pamięć parametryczna, gęste wyszukiwanie oraz artykuł z 2020 roku
Dlaczego istnieje RAG: ograniczenia pamięci parametrycznej, jak BM25 i embeddingi doprowadziły do gęstego wyszukiwania, oraz jakie są kompromisy pomiędzy RAG-Sequence a RAG-Token w artykule.
7 min czytaniaDebugowanie systemu pobierania danych RAG: Recall@K, BM25, hybrydowa fuzja oraz ponowna sortowanie
Mały eksperyment z pipeline’em RAG, w którym właściwy fragment został umieszczony na czwartym miejscu, pokazujący, jak dzielenie na fragmenty, BM25, fuzja rankingu oraz ponowne rankowanie wpływają na Recall@3 i MRR.
11 min czytaniaSiedem architektur RAG wykraczających poza proste podejście oraz sytuacje, w których każda z nich jest odpowiednia.
Proste podejście RAG zawodzi w przewidywalny sposób. Siedem architektur, od notatek kontekstowych po systemy wieloagentowe i odzyskiwanie informacji z pamięci, wraz z ich zaletami i wskazaniami co do momentu użycia każdej z nich.
9 min czytaniaDlaczego ponowna klasyfikacja to najtańszy wielki sukces w pipeline’u RAG
Pobierz 50 wyników, przeporządkuj je do 5: jak przeporządkowanie za pomocą cross-encodera poprawia kolejność w pipeline RAG, jakie są korzyści i opóźnienia, kiedy go pominąć oraz co należy wdrożyć.
8 min czytaniaDlaczego RAG nadal daje błędne odpowiedzi: hybrydowe wyszukiwanie, ponowne rankowanie i Recall@K
Czyste fragmenty tekstu nie gwarantują dobrych odpowiedzi. Zobacz, gdzie zawodzi wyszukiwanie wektorowe oraz w jaki sposób metody takie jak fuzja, ponowne rankowanie za pomocą cross-encodera, HyDE i miara Recall@K to naprawiają.
6 min czytaniaMultiDocFusion: segmentacja uwzględniająca hierarchię do zastosowań RAG w długich plikach PDF.
MultiDocFusion zachowuje kontekst sekcji w każdym fragmencie długiego PDF: wykrywanie układu, OCR, drzewo nagłówków z wykorzystaniem LLM oraz grupowanie metodą DFS, co zapewnia o 8-15% lepsze wyszukiwanie RAG.
7 min czytaniaWarstwa po warstwie: projektowanie rzeczywistego pipeline’u do wyszukiwania RAG dla agentów AI
Zaprojektuj pipeline RAG wykorzystujący kontrakty SourceDocument i DocumentChunk, dzielenie na fragmenty, embeddingi oraz ChromaDB, wszystko to za pośrednictwem RetrievalService, który zapewnia stabilność agenta.
10 min czytania
O tych artykułach
Wycena w 24 h
Potrzebujesz tego stacka w warstwie operatorskiej? Wyślij brief — wycena w 24 h.