مسیر اصلی
ساختن یک سیستم RAG کوچک
از پیدا کردن مسئله تا ساخت یک نمونهٔ کوچک که بتوان با آن پرسش و پاسخ کرد.
برای دیدن توضیح کامل، روی منبع یا یادداشت کلیک کنید.
مسیر اصلی
ساختن یک سیستم RAG کوچک
از پیدا کردن مسئله تا ساخت یک نمونهٔ کوچک که بتوان با آن پرسش و پاسخ کرد.
2 منبع در این مسیر ثبت شده است.
دوره
Full Stack Deep Learning — LLM Bootcamp
این دوره کمکم میکند RAG را فقط بهعنوان یک ابزار آماده نبینم و اجزای یک سیستم واقعی را از هم جدا کنم.
مقاله
راهنمای Retrieval در OpenAI
برای انتخاب شکل داده، کیفیت chunkها و روش ارزیابی، این راهنما یک مرجع فنی اولیه است.
یادداشت پژوهشی
RAG دقیقاً چه مسئلهای را حل میکند؟
وقتی اطلاعات مورد نیاز مدل در وزنهای آن نیست یا باید به یک منبع مشخص ارجاع بدهیم، بازیابی متن پیش از پاسخگویی مفید میشود. مسئله فقط پیدا کردن متن نیست؛ باید متن مناسب را با پرسش درست جفت کنیم.
یادداشت پژوهشی
کوچکترین نسخهٔ مفید چیست؟
یک پوشه از فایلها، تبدیل آنها به قطعههای کوتاه، embedding، جستوجوی شباهت و یک صفحهٔ پرسشوپاسخ برای اولین نسخه کافی است. قبل از اضافه کردن agent یا چند ابزار، باید همین مسیر ساده کار کند.
یادداشت پژوهشی
اندازهٔ هر قطعه را چگونه انتخاب کنم؟
قطعهها باید یک ایدهٔ کامل را نگه دارند. اگر خیلی کوتاه باشند، زمینه از بین میرود و اگر خیلی بلند باشند، بازیابی مبهم میشود. برای شروع، chunkهای مبتنی بر پاراگراف را امتحان میکنم و نتیجهٔ جستوجو را با چند پرسش واقعی میسنجم.
یادداشت پژوهشی
کیفیت را با پرسشهای واقعی میسنجم
یک فهرست کوچک از سؤالهایی میسازم که جوابشان در منبعها وجود دارد. سپس بررسی میکنم آیا متن درست بازیابی شده و آیا پاسخ به همان متن ارجاع میدهد یا نه. «حس خوب داشتن» معیار کافی برای کیفیت RAG نیست.