RAG-тың (Retrieval-Augmented Generation) алғашқы буыны қарапайым қағидаға сүйенді: құжатты бөліктерге бөлу, embedding жасау, косинустық ұқсастықпен іздеу және үздік K бөлікті LLM-ге беру. Мыңдаған күрделі PDF, кесте және салалық термині бар корпоративтік ортада аңғал RAG жиі нашар нәтиже береді.
RAG 2.0 іздеуді көп кезеңді инженерлік құбырға айналдырады. Ол мағынаны ұстайтын тығыз векторлық embedding-терді нақты өнім ID-сын, атаулар мен кодтарды табатын BM25 немесе PostgreSQL pgvector тәрізді сирек кілтсөз іздеуімен біріктіретін Hybrid Search-тен басталады.
Екінші кезеңде Cohere Rerank немесе BGE-Reranker секілді қайта ранжирлеушіні қосу дәлдікті күрт арттырады. Ол сұраудың толық контекстін үміткер бөліктермен салыстырып, LLM контекст терезесіне жеткенше қатысы жоқ шудың 90%-ын жояды.
GraphRAG құрылымы жоқ корпоративтік құжаттардан білім графтарын (нысандар мен байланыстар) құрып, іздеуді тереңдетеді. «2025 жылғы жеткізуші келісімшарттарының бәріне ортақ тәуекелдер қандай?» сияқты жалпы сұрақта жеке үзінділерді іздеудің орнына граф түйіндерін аралайды.
Күрделі құжаттарды қабылдау кезінде Claude 3.5 Sonnet Vision немесе Unstructured.io сияқты мультимодальды модельдер PDF диаграммаларын, қаржы кестелері мен сызбаларды embedding жасамай тұрып Markdown кестелеріне түрлендіріп, кейінгі жауаптардағы математикалық дәлдікті сақтайды.
Келесі өнімге онымен бірге қалатын адамды беріңіз.
Бастауға дайынсыз ба? Маған жазыңыз — қазір бастап, әрі қарай қалуға дайынмын. Екі апталық тапсыру емес, ұзақ мерзімді келісімдер. Жобаңызды, талаптарды және алға жылжудың ең тиімді жолын талқылайық.