اشکال اصلاحی: چگونه می توان نسل بازیابی خود را اصلاح کرد

نویسنده (ها): سای بهارگاو رالاپالی

در ابتدا منتشر شده در به سمت هوش مصنوعیبشر

نسل بازیابی-اوج (RAG) نحوه ساخت مدل زبان بزرگ را کاملاً تغییر داده است (LLM) برنامه ها می دهد LLMS ابرقدرت برای واکشی دانش خارجی و تولید پاسخ های غنی از متن.

اما در اینجا مشکل وجود دارد – پارچه سنتی مانند GPS است که همیشه به اولین مسیری که نشان می دهد اعتماد دارد – حتی اگر یک ترافیک وجود داشته باشد.

این بررسی نمی کند که آیا اسناد بازیابی شده مرتبط یا دقیق هستند یا خیر. اگر سیستم اسناد با کیفیت ضعیف را بکشد ، پاسخ نیز ضعیف خواهد بود. این مانند ساختن خانه ای با آجر بد است.

این جایی است که Rag Reportion (Crag) قدم می گذارد.

غیر اعضا می توانند آن را در اینجا بخوانند.

CRAG مانند Google Maps با ترافیک زنده است. این به طور فعال مسیر (اسناد بازیابی شده) را بررسی می کند ، در صورت لزوم مجدداً مجدداً انجام می شود و اطمینان می دهد که به مقصد مناسب (یک پاسخ صحیح و مفید) رسیدید.

در این وبلاگ ، بیایید تجزیه کنیم:

چرا Mattershow اصلاح کننده آن در واقع راهنمای Worksstep-by Step برای ساخت Crag با استفاده از Langchain & Langgraph است

Rag Corce (CRAG) نسخه ای دقیق تر از Rag سنتی است که:

نمرات اسناد بازیابی شده را برای بررسی اینکه آیا آنها مفید هستند ، به طور کامل نمایش داده ها را بازنویسی می کنند یا در صورت عدم موفقیت بازیابی ، جستجوی وب را انجام می دهند.

Rag سنتی مانند درخواست یک غریبه تصادفی برای راهنمایی ها و کورکورانه از آنها است. RAG CORRECTIVE مانند دستورالعمل های متقاطع در Google Maps است ، و پرسیدن… وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر

منتشر شده از طریق به سمت هوش مصنوعی