Prima generație RAG (Retrieval-Augmented Generation) pornea de la o idee simplă: împarți documentele în fragmente, generezi embedding-uri, cauți prin similaritate cosinus și trimiți cele mai bune fragmente către LLM. În companii cu mii de PDF-uri complexe, tabele și termeni de domeniu, RAG-ul naiv eșuează adesea.
RAG 2.0 transformă recuperarea informațiilor într-un pipeline de inginerie cu mai multe etape. Începe cu Hybrid Search, care combină embedding-uri vectoriale dense, ce surprind sensul semantic, cu o căutare rară după cuvinte-cheie, precum BM25 sau PostgreSQL pgvector, care identifică exact ID-uri de produs, nume și coduri.
Adăugarea unui reranker precum Cohere Rerank sau BGE-Reranker într-o a doua trecere crește considerabil precizia. Acesta evaluează contextul complet al interogării în raport cu fragmentele candidate și elimină 90% din zgomotul irelevant înainte să ajungă în fereastra de context a LLM-ului.
GraphRAG duce recuperarea mai departe prin construirea unor grafuri de cunoștințe (entități și relații) din documente de companie nestructurate. La o întrebare generală precum „Care sunt riscurile comune în toate contractele cu furnizorii din 2025?”, parcurge nodurile grafului în loc să recupereze fragmente izolate.
La ingestia documentelor complexe, modele multimodale precum Claude 3.5 Sonnet Vision sau Unstructured.io convertesc graficele PDF, tabelele financiare și diagramele în tabele Markdown înainte de generarea embedding-urilor, păstrând precizia matematică a răspunsurilor ulterioare.
Oferă-i următorului produs cuiva care rămâne.
Ești gata să începem? Trimite-mi un mesaj - pot începe acum și pot rămâne alături de produs. Colaborări pe termen lung, nu o predare în două săptămâni. Să discutăm proiectul, cerințele și cea mai bună cale de urmat.