Pierwsza generacja RAG (Retrieval-Augmented Generation) opierała się na prostym założeniu: dzielić dokumenty na fragmenty, tworzyć embeddingi, wyszukiwać przez podobieństwo cosinusowe i przekazywać najlepsze fragmenty do LLM. W firmowych zbiorach z tysiącami złożonych plików PDF, tabel i terminów branżowych naiwny RAG często zawodzi.
RAG 2.0 przekształca wyszukiwanie w wieloetapowy potok inżynierski. Zaczyna się od Hybrid Search, łączącego gęste embeddingi wektorowe, które wychwytują znaczenie semantyczne, z rzadkim wyszukiwaniem słów kluczowych, takim jak BM25 lub PostgreSQL pgvector, które odnajduje dokładne identyfikatory produktów, nazwy i kody.
Dodanie w drugim przebiegu rerankera, takiego jak Cohere Rerank lub BGE-Reranker, znacznie poprawia precyzję. Ocenia on pełny kontekst zapytania względem kandydatów na fragmenty i usuwa 90% nieistotnych informacji, zanim trafią do okna kontekstowego LLM.
GraphRAG rozszerza wyszukiwanie, budując grafy wiedzy (encje i relacje) z nieustrukturyzowanych dokumentów firmowych. Na ogólne pytanie, na przykład „Jakie wspólne ryzyka występują we wszystkich umowach z dostawcami z 2025 roku?”, przechodzi po węzłach grafu zamiast pobierać odosobnione fragmenty dokumentów.
Przy wczytywaniu złożonych dokumentów modele multimodalne, takie jak Claude 3.5 Sonnet Vision lub Unstructured.io, przed utworzeniem embeddingów zamieniają wykresy z PDF-ów, tabele finansowe i diagramy na tabele Markdown, zachowując dokładność obliczeń w dalszych odpowiedziach.
Daj kolejnemu produktowi kogoś, kto zostanie.
Chcesz zacząć? Napisz do mnie — mogę rozpocząć od razu i zostać na dłużej. Długoterminowa współpraca, nie przekazanie projektu po dwóch tygodniach. Omówmy projekt, wymagania i najlepszy sposób realizacji.