LegközelebbKövetkező útmutató
Több lekérdezés figyelem
Nyelvi AI
Műszaki ÚTMUTATÓ
A lekérdezés átírása és a többszörös lekérdezés visszakeresése olyan RAG technikák, amelyek a keresés előtt átalakítják a felhasználó kérdését úgy, hogy átfogalmazzák, részkérdésekre bontják, vagy több változatot generálnak és eredményeiket összevonják.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
Ezek azért fontosak, mert a felhasználók gyakran tesznek fel homályos, beszélgetős vagy több részből álló kérdéseket, amelyek megfogalmazása nem egyezik a dokumentumokkal, és egy jobb lekérdezés olyan releváns szövegrészeket jeleníthet meg, amelyeket egyetlen szó szerinti keresés kihagyna.
A lekérdezés minősége nagymértékben függ a lekérdezéstől. A felhasználók rövid, kétértelmű vagy társalgási kérdéseket írnak fel, míg a dokumentumok saját szókincsüket használják. A lekérdezés átalakítása bezárja ezt a rést, mielőtt a keresés megtörténik. A legegyszerűbb forma az újraírás: az LLM a felhasználó üzenetét áttekinthetőbb keresési lekérdezéssé alakítja. Ez elengedhetetlen a többfordulós csevegésben, ahol az olyan nyomon követések, mint az "és 2023-ban?" történelem nélkül semmit sem jelent, így a rendszer a beszélgetést önálló lekérdezésbe sűríti. A dekompozíció az összetett kérdést részkérdésekre bontja, amelyek külön-külön lekérhetők, és hasznosak összehasonlításokhoz vagy többugrásos kérdésekhez. A Google DeepMind kutatói által 2023-ban leírt visszalépési felszólítás először egy általánosabb kérdést tesz fel a háttérelvek visszakereséséhez. A többlekérdezéses lekérdezés a kérdés több változatát generálja, mindegyikre keresést futtat, és egyesíti az eredményeket. A LangChain ezt népszerűsítette a MultiQueryRetrieverével. A RAG-Fusion több lekérdezést kombinál a reciprocal rank fusion (RRF) módszerrel, amelyet Cormack, Clarke és Buettcher írt le 2009-ben, és amely minden dokumentumot 1/(k + rang) összegzésével pontoz az eredménylistákon. A több listán előkelő helyen megjelenő dokumentumok az élre kerülnek anélkül, hogy összehasonlítható nyers pontszámra lenne szükségük. Egy kapcsolódó technika, a HyDE (Hypothetical Document Embeddings, Gao és munkatársai, 2022), a modell egy hipotetikus választ ír, és azt ágyazza be a kérdés helyett, mivel a válasz alakú szöveg gyakran közelebb van a beágyazott térben a valódi válaszrészletekhez. Tévhitek: több lekérdezés nem mindig jobb. Mindegyik változat növeli a késleltetést és a költségeket, a rosszul generált változatok pedig eltérhetnek a felhasználó szándékától, és irreleváns dokumentumokat vonhatnak be. Az újraírás emellett olyan fontos megszorításokat is elvethet, mint a dátumok vagy a terméknevek. Mérje meg az emlékezés minőségét és válaszoljon a valódi kérdésekre, mielőtt megtenné ezeket a lépéseket.
A chat-asszisztensben a "mi a helyzet a részmunkaidős alkalmazottakkal?" át van írva egy önálló lekérdezésbe, például "Szülői szabadságra vonatkozó szabályzat részmunkaidős alkalmazottak számára" a korábbi beszélgetés segítségével.
A két felhőszolgáltató árait összehasonlító kérdést minden szolgáltatónál külön keresésekre bontjuk, és az eredményeket a válaszadás előtt egyesítjük.
Egy támogató bot négy „alkalmazásom folyamatosan kijelentkeztet” kifejezést generál, beleértve az olyan szakkifejezéseket, mint a munkamenet lejárata és a token frissítése, és az eredményeket a kölcsönös rangsorolással egyesíti.
A kutatási asszisztens visszalépést használ, hogy először megkeresse egy szűk kérdés mögött meghúzódó általános elvet, majd lekéri a konkrét részleteket, így a modell hátterét és konkrétumát is megadja.
Az ügynök RAG terjedésével a lekérdezések átalakítása egyre inkább úgy történik, hogy a modell dönti el, hogy mit keressen, és iterál, ha az eredmények gyengének tűnnek, nem pedig egy rögzített újraírási lépéssel. Emiatt a mögöttes ötletek, a dekompozíció, a változatok és a fúzió még akkor is fontosabbak, ha kevésbé láthatóak. A beágyazott modellek és a hibrid keresés továbbfejlesztései csökkentik a szókincs eltéréseit, de nem szüntetik meg a kétértelmű vagy társalgási kérdések tisztázását. Várható, hogy a csapatok szelektíven használják ezeket a technikákat, amelyek akkor indulnak el, ha egy lekérdezés bonyolultnak tűnik, vagy a kezdeti lekérdezés gyenge, hogy egyensúlyba hozza a minőséget a költségekkel.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A lekérdezés átírása és a többszörös lekérdezés visszakeresése olyan RAG technikák, amelyek a keresés előtt átalakítják a felhasználó kérdését úgy, hogy átfogalmazzák, részkérdésekre bontják, vagy több változatot generálnak és eredményeiket összevonják. Ezek azért fontosak, mert a felhasználók gyakran tesznek fel homályos, beszélgetős vagy több részből álló kérdéseket, amelyek megfogalmazása nem egyezik a dokumentumokkal, és egy jobb lekérdezés olyan releváns szövegrészeket jeleníthet meg, amelyeket egyetlen szó szerinti keresés kihagyna.
Olyan nyomon követés, mint "és 2023-ban?" Beszélgetési előzményekre van szüksége ahhoz, hogy hasznos önálló lekérdezéssé váljon.
A dekompozíció az összetett vagy több részből álló kérdéseket külön lekérhető részkérdésekre bontja.
A Google DeepMind kutatóitól származó visszalépési felszólítás általános hátteret keres a konkrétumok előtt.
Az RRF minden dokumentumot tartalmazó listára 1/(k + rang) összeget ad, ezzel díjazza a több listán előkelő helyen álló dokumentumokat.
Mivel az RRF csak rangpozíciókat használ, kombinálhat olyan listákat, amelyek nyers pontszámai nem összehasonlíthatók.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Több lekérdezés figyelem
Nyelvi AI