What है RAG? पुनर्प्राप्ति-संवर्धित पीढ़ी समझाया गया

Scrapeless Universal Scraping API लौटाता है प्रस्तुत सार्वजनिक वेब सामग्री जो पुनर्प्राप्ति, अनुक्रमण, और भाषा-आधारित पाइपलाइनों को फीड कर सकती है।

TL;DR

पुनर्प्राप्ति-संवर्धित पीढ़ी का एक सटीक परिचालन अर्थ है। यह एक वास्तुकला है जो बाहरी संग्रह से जानकारी पुनर्प्राप्त करती है और जब यह एक प्रश्न का उत्तर देती है तो एक जनरेटिव मॉडल को चयनित साक्ष्य प्रदान करती है।
इनपुट और तुलना का ढांचा मायने रखता है। एक उपयोगी परिणाम स्रोत दस्तावेजों, निष्कर्षण और सफाई नियमों, उपयुक्तता के टुकड़ों, एम्बेडिंग या शब्दावली अनुक्रमणकों, एक उपयोगकर्ता प्रश्न, और पीढ़ी निर्देशों के साथ शुरू होता है।
आउटपुट को उपयुक्तता की आवश्यकता होती है। एक उत्पन्न उत्तर जो संदर्भित पासेज, स्कोर, या निरोधकों को जोड़ता है, जब साक्ष्य अपर्याप्त होता है, उसे उस कॉन्फ़िगरेशन और स्रोत से जोड़ा रहना चाहिए जिसने उन्हें उत्पन्न किया।
सामान्य शॉर्टकट गलत है। RAG मॉडल के इनपुट को अनुमान लगाने के समय बदलती है; यह स्वचालित रूप से मॉडल को पुनर्प्रशिक्षित नहीं करती है, सत्य की गारंटी नहीं देती है, या मूल्यांकन को प्रतिस्थापित नहीं करती है।
मूल्यांकन वास्तविक कार्य के लिए है। प्रतिनिधि प्रश्नों का परीक्षण करें, असफलता के मामलों का निरीक्षण करें, और मापें कि क्या परिणाम नीचे के निर्णय का समर्थन करता है।

पुनर्प्राप्ति-संवर्धित पीढ़ी क्या है?

पुनर्प्राप्ति-संवर्धित पीढ़ी एक वास्तुकला है जो बाहरी संग्रह से जानकारी पुनर्प्राप्त करती है और जब यह एक प्रश्न का उत्तर देती है तो एक जनरेटिव मॉडल को चयनित साक्ष्य प्रदान करती है। परिभाषा उपयोगी है क्योंकि यह एक अवलोकन योग्य कार्य का वर्णन करती है न कि एक विपणन लेबल। आप देख सकते हैं कि सिस्टम में क्या प्रवेश करता है, क्या रूपांतरण होता है, क्या निकलता है, और कौन से सीमाएं परिणाम को बहुत व्यापक रूप से व्याख्यायित करने से रोकती हैं।

RAG मॉडल के इनपुट को अनुमान लगाने के समय बदलती है; यह स्वचालित रूप से मॉडल को पुनर्प्रशिक्षित नहीं करती है, सत्य की गारंटी नहीं देती है, या मूल्यांकन को प्रतिस्थापित नहीं करती है। व्यावहारिक इकाई एक प्रश्न-समय पुनर्प्राप्ति और पीढ़ी श्रृंखला एक स्पष्ट रूप से रखी गई कॉर्पस पर होती है। यह इकाई विश्लेषण को ईमानदार बनाए रखती है: एक आउटपुट अपनी रिकॉर्ड की गई स्थितियों के लिए मान्य हो सकता है बिना सार्वभौमिक, स्थायी, या विभिन्न निर्णय के लिए उपयुक्त होने के।

संकल्पना स्रोत अधिग्रहण, सामग्री सफाई, अनुमति जांच, डुप्लिकेट छानने, टुकड़ों, मेटाडाटा, और अनुक्रमणिका ताजगी और प्रश्न उत्तर, समर्थन सहायक, उद्यम खोज, अनुसंधान उपकरण, दस्तावेज़ विश्लेषण, और एजेंट मेमोरी के बीच बैठती है। वह स्थिति समझाती है कि क्यों परियोजनाएं अक्सर असफलताओं को गलत तरीके से पहचानती हैं। एक कमजोर अपस्ट्रीम स्रोत को एक परिष्कृत डाउनस्ट्रीम घटक द्वारा मरम्मत नहीं किया जा सकता है, और एक मजबूत मध्यवर्ती परिणाम अभी भी एक कार्यप्रवाह द्वारा गलत तरीके से उपयोग किया जा सकता है जिसने इसके संदर्भ को त्याग दिया।

सबसे उपयोगी प्रारंभिक प्रश्न यह नहीं है कि 'कौन सा उपकरण सबसे लंबी विशेषता सूची है?' यह है 'इस प्रणाली को क्या साक्ष्य लौटाना चाहिए, किन स्थितियों के तहत, ताकि कोई अन्य व्यक्ति या घटक एक रक्षा योग्य निर्णय ले सके?' जब वह प्रश्न स्पष्ट होता है, तो पुनर्प्राप्ति-संवर्धित पीढ़ी का अर्थ ठोस हो जाता है।

स्रोत दस्तावेजों से एक ग्राउंडेड उत्तर

पुनर्प्राप्ति-संवर्धित पीढ़ी स्रोत दस्तावेजों, निष्कर्षण और सफाई नियमों, उपयुक्तता के टुकड़ों, एम्बेडिंग या शब्दावली अनुक्रमणकों, एक उपयोगकर्ता प्रश्न, और पीढ़ी निर्देशों के साथ शुरू होती है। प्रत्येक इनपुट उस समस्या को बदलता है जो सिस्टम हल कर रहा है, इसलिए डिफ़ॉल्ट को रिकॉर्ड किया जाना चाहिए न कि अदृश्य छोड़ा जाना चाहिए। संदर्भ की कमी तटस्थ नहीं है; यह चुपचाप एक दायरा चुनती है जो उपयोगकर्ता के वास्तविक प्रश्न से भिन्न हो सकता है।

प्रोसेसिंग के दौरान, सिस्टम प्रश्न को रूपांतरित करता है, संभावित अंशों को पुनर्प्राप्त करता है, उन्हें छानता है या पुनः रैंक करता है, मॉडल सीमा के भीतर एक संदर्भ को इकट्ठा करता है, और उस साक्ष्य से उत्तर देने के लिए मॉडल से पूछता है। रूपांतरण को निरीक्षण करने के लिए पर्याप्त रूप से विघटित होना चाहिए। यदि अंतिम परिणाम गलत है, तो समीक्षक को एक स्रोत समस्या को एक पार्सिंग समस्या, पुनर्प्राप्ति या निर्णय समस्या, और एक आउटपुट व्याख्या समस्या से अलग करना होगा।

सिस्टम एक उत्पन्न उत्तर लौटाता है जिसमें संदर्भित पासेज, स्कोर, या निरोध संकेत होते हैं जब साक्ष्य अपर्याप्त होता है। एक उत्पादन रिकॉर्ड को उन आउटपुट को पहचानकर्ताओं, स्रोत जानकारी, कॉन्फ़िगरेशन, और समय के साथ जोड़ा जाना चाहिए जहाँ प्रासंगिक हो। उपयुक्तता एक उत्तर को साक्ष्य में बदल देती है जिसे चेक किया जा सकता है, अपडेट किया जा सकता है, तुलना की जा सकती है, या हटा दिया जा सकता है।

प्राकृतिक मापने की इकाई एक प्रश्न-समय पुनर्प्राप्ति और पीढ़ी श्रृंखला एक स्पष्ट रूप से रखी गई कॉर्पस पर होती है, जबकि परिणाम अपने आप में एक वेक्टर डेटाबेस नहीं है, एक लंबा प्रॉम्प्ट, सामान्य वेब खोज बिना पीढ़ी के, या यह प्रमाण कि हर उत्तर ग्राउंडेड है। यह सीमा तब सबसे महत्वपूर्ण होती है जब एक परिष्कृत इंटरफ़ेस एक शर्तीय अवलोकन को निश्चित दिखाता है। अच्छे सिस्टम उन परिस्थितियों को संरक्षित करते हैं जिनमें एक आउटपुट उत्पन्न किया गया था और अनिश्चितता को छिपाने के बजाय उजागर करते हैं।

प्राथमिक मार्गदर्शन उस अनुशासन को मजबूत करता है। मूल RAG अनुसंधान पत्र प्रासंगिक स्रोत या तकनीकी सतह को परिभाषित करता है, स्टैनफोर्ड पुनर्प्राप्ति-आधारित मॉडल अध्याय अवितरण या मापन संदर्भ जोड़ता है, और NIST AI जोखिम प्रबंधन ढांचा शासन, मानक, या अनुसंधान ढांचा प्रदान करता है। ये संदर्भ उपयोगी होते हैं क्योंकि वे अंतर्निहित तंत्र का वर्णन करते हैं न कि उत्पाद तुलना को दोहराते हैं।

परत	उत्तर के लिए प्रश्न	रखने के लिए साक्ष्य
इनपुट	पुनर्प्राप्ति-संवर्धित पीढ़ी कार्यप्रवाह में क्या प्रवेश किया?	स्रोत, दायरा, कॉन्फ़िगरेशन, पहचान, और अनुमति।
रूपांतरण	सिस्टम ने इनपुट को परिणाम में कैसे बदला?	मॉडल या विधि, संस्करण, पैरामीटर, मध्यवर्ती रिकॉर्ड, और मान्यता।
आउटपुट	उपभोक्ता किस पर भरोसा कर सकता है?	स्कीमा, प्रामाणिकता, स्कोर या सीमाएँ, और पूर्ति स्थिति।
मूल्यांकन	क्या आउटपुट इच्छित कार्य को हल करता है?	प्रतिनिधि मामले, अपेक्षित परिणाम, त्रुटियाँ, लागत और विलंबता।

RAG, लंबा संदर्भ, खोज और फाइन-ट्यूनिंग

पुनर्प्राप्ति-अग्रेषित उत्पादन, लंबे-संदर्भ प्रॉम्प्टिंग, मॉडल फाइन-ट्यूनिंग, कीवर्ड खोज, डेटाबेस क्वेरी, ज्ञान ग्राफ और मानव अनुसंधान के बीच एक विकल्प है। सही विकल्प स्रोत के आकार, ताजगी की आवश्यकता, गलत परिणाम की लागत, अपेक्षित अद्यतन दर और समीक्षक को कितने सबूत देखने की आवश्यकता पर निर्भर करता है। एक सरल निर्धारक विधि अक्सर बेहतर होती है जब इनपुट और नियम स्थिर होते हैं।

संरचना आमतौर पर प्रतिस्थापन से अधिक महत्वपूर्ण होती है। टीमें लंबे-संदर्भ प्रॉम्प्टिंग, मॉडल फाइन-ट्यूनिंग, कीवर्ड खोज, डेटाबेस क्वेरी, ज्ञान ग्राफ, और मानव अनुसंधान का उपयोग पुनर्प्राप्ति-अग्रेषित उत्पादन के साथ कर सकती हैं जब कार्य के विभिन्न हिस्सों को विभिन्न गारंटी की आवश्यकता होती है। सटीक फ़िल्टर उम्मीदवार सेट को संकीर्ण कर सकते हैं, सीखी गई विधियाँ अस्पष्ट मामलों को रैंक कर सकती हैं, और मानव स्वीकृति महत्वपूर्ण कार्रवाइयों की सुरक्षा कर सकती है।

एक उपयोगी आर्किटेक्चर हर सीमा पर स्वामित्व का नाम देता है। स्रोत अधिग्रहण, सामग्री की सफाई, अनुमति जांच, डुप्लीकेट-निर्मूलन, खंडन, मेटाडेटा और अनुक्रमणिका ताजगी मुख्य परिवर्तन से पहले की शर्तों का स्वामित्व रखती है। पुनर्प्राप्ति-अग्रेषित उत्पादन परिभाषित परिवर्तन और रिकॉर्ड का स्वामित्व रखता है। प्रश्न उत्तर देना, समर्थन सहायक, उद्यम खोज, शोध उपकरण, दस्तावेज़ विश्लेषण, और एजेंट मेमोरी यह बताती है कि परिणाम उपयोगकर्ताओं या सिस्टम को कैसे प्रभावित करता है। जब स्वामित्व स्पष्ट होता है, तो मूल्यांकन निष्कर्ष एक मरम्मत योग्य चरण की ओर इंगित करते हैं।

जटिलता को न्यायसंगत बनाने वाले सामान्य उपयोग

पुनर्प्राप्ति-अग्रेषित उत्पादन तब एक स्थान बनाता है जब यह वास्तविक जानकारी या कार्रवाई के अंतर को कम करता है और जब इसका आउटपुट समीक्षा के लिए उपलब्ध होता है। निम्नलिखित उपयोग अलग-अलग मूल्य के आकारों को स्पष्ट करते हैं बिना यह मानते हुए कि एक कॉन्फ़िगरेशन हर संगठन में फिट बैठता है।

आंतरिक ज्ञान सहायक

नीति, उत्पाद, या प्रक्रिया के अंशों को पुनर्प्राप्त करें जो कर्मचारी के प्रश्न से मेल खाते हैं और पुनर्प्राप्ति फ़िल्टर में दस्तावेज़ अनुमतियों को बनाए रखें।

उपयोगी आउटपुट एक समीक्षा योग्य रिकॉर्ड है जो मूल उद्देश्य से बंधा हुआ है, न कि एक अप्रासंगिक स्कोर या पैराग्राफ। टीमों को उस कॉन्फ़िगरेशन को रिकॉर्ड करना चाहिए जिसने परिणाम को आकार दिया और कार्यप्रवाह का विस्तार करने से पहले इसे एक छोटे सेट के साथ तुलना करनी चाहिए।

ग्राहक समर्थन

उत्तर वर्तमान अनुमोदित दस्तावेज़ों पर आधारित होना चाहिए, उद्धरणों का प्रकाशन करना चाहिए, और जब अनुक्रमित सामग्री प्रश्न का उत्तर नहीं देती है, तब दूर रहना चाहिए।

अनुसंधान कार्यप्रवाह

एक संगृहीत corpus को ताजा सार्वजनिक स्रोतों के साथ मिलाएं, फिर स्रोत पुनर्प्राप्ति को संश्लेषण से अलग करें ताकि प्रत्येक चरण की जांच की जा सके।

तकनीकी दस्तावेज़िकरण

संबंधित API या समस्या निवारण अनुभागों को खोजें और प्रत्येक अंश के साथ संस्करण, उत्पाद, और प्रकाशन मेटाडेटा संलग्न रखें।

विफलता मोड और भ्रामक शॉर्टकट

पुनर्प्राप्ति-अग्रेषित उत्पादन के चारों ओर अधिकांश विफलताएँ सीमा विफलताएँ होती हैं न कि रहस्यमय मॉडल व्यवहार। स्रोत अधूरा हो सकता है, दायरा अप्रत्यक्ष हो सकता है, परिवर्तन आवश्यक संदर्भ को त्याग सकता है, या आउटपुट को उसके से अधिक मजबूत सबूत के रूप में माना जा सकता है। केवल अंतिम प्रतिक्रिया को लॉग करना उन मामलों को अलग बताने के लिए आवश्यक जानकारी को मिटा देता है।

अनुक्रमणिका नेविगेशन, कुकी बैनर, डुप्लीकेट पृष्ठ, या चुनौती पाठ को स्रोत ज्ञान मानते हुए।
इस तरह दस्तावेज़ों को विभाजित करना ताकि परिभाषाएँ, योग्यताएँ, तालिकाएँ, और उनके शीर्षक असंबंधित खंडों में आ जाएं।
पुनर्प्राप्ति स्कोर को अनुकूलित करना बिना यह जांचे कि अंतिम उत्तर पुनर्प्राप्त सबूत द्वारा समर्थित है।
अनुमति नियंत्रण की अनदेखी करना और एक क्वेरी को उन अंशों को पुनर्प्राप्त करने की अनुमति देना जिनके लिए उपयोगकर्ता अधिकृत नहीं है।

इन समस्याओं को अंधाधुंध अधिक डेटा जोड़कर हल न करें। अतिरिक्त इनपुट शोर जोड़ सकता है, सबूत को दोहरा सकता है, लागत बढ़ा सकता है, और समीक्षा को कठिन बना सकता है। एक स्रोत, पैरामीटर, मॉडल, या उपकरण केवल तब जोड़ें जब एक परीक्षण दिखाता है कि यह प्रतिनिधि मामलों पर एक नामित विफलता को ठीक करता है।

सुरक्षा और गोपनीयता को समान विशिष्टता की आवश्यकता है। आवश्यक संचालन के लिए प्रमाणीकरण को सीमित करें, अविश्वसनीय सामग्री को निर्देशों से अलग करें, बनाए गए डेटा को न्यूनतम करें, और परिभाषित करें कि कौन महत्वपूर्ण कार्रवाइयों को मंजूरी या उलट कर सकता है। एक तकनीकी रूप से सही परिणाम अभी भी अस्वीकार्य हो सकता है यदि संग्रह या कार्रवाई उसकी अधिकृत उद्देश्य से अधिक हो।

एक व्यावहारिक मूल्यांकन चेकलिस्ट

एक विश्वसनीय मूल्यांकन विक्रेता चयन से पहले शुरू होता है। वास्तविक कार्यों से एक छोटा परीक्षण सेट बनाएं, साधारण मामलों और कठिन सीमाओं को शामिल करें, और भाषा में स्वीकार्य परिणामों को परिभाषित करें जिसे अन्य समीक्षक लागू कर सकें। लक्ष्य पुनरुत्पादित न्याय है, न कि ऐसा डेमो जो आकर्षक लगता है।

पहले निर्णय लिखें। बताएं कि कौन आउटपुट का उपभोग करता है, कौन सा विकल्प यह सूचित करता है, और जब प्रणाली अनिश्चित होती है तो क्या होता है।
प्रतिनिधि इनपुट को फ्रीज करें। विभिन्न स्रोत आकार, भाषाएँ, लंबाई, किनारे की स्थितियाँ, और अनुमोदन का दायरा शामिल करें जो वास्तविक कार्य में घटित होते हैं।
मध्यवर्ती चरणों को मापें। स्रोत की गुणवत्ता, परिवर्तन की सटीकता, गायब क्षेत्रों, उत्पत्ति, और अंतिम कार्य का परिणाम अलग से निरीक्षण करें।
नकारात्मक मामलों का परीक्षण करें। गायब सबूत, विरोधाभासी स्रोत, गलत प्रारूप वाला इनपुट, अप्रासंगिक सामग्री, और अधिकृत दायरे से बाहर के अनुरोध शामिल करें।
संचालन लागत को रिकॉर्ड करें। लेटेंसी, गणना या अनुरोध लागत, भंडारण, रखरखाव, समीक्षा समय, और झूठे सकारात्मक और झूठे नकारात्मक के परिणामों को मापें।
एक रिलीज सीमा को परिभाषित करें। निर्णय लें कि कौन सी विफलताएँ लॉन्च को बाधित करती हैं, कौन सी मानव समीक्षा की ज़रूरत है, और कौन सी तैनाती के बाद निगरानी की जा सकती हैं।

मूल्यों, उपयोगकर्ता प्रश्न, मॉडलों, इंटरफेस, और संगठनात्मक नियमों में परिवर्तन के कारण लॉन्च के बाद मूल्यांकन जारी रखना चाहिए। नमूना उत्पादन ट्रेस, विवादित परिणामों की समीक्षा करें, परीक्षण सेट को ताज़ा करें, और संस्करण जानकारी को संरक्षित करें ताकि किसी परिवर्तन का पता लगाया जा सके। सुधार का मतलब है कि समान या स्पष्ट प्रतिबंधों के तहत बेहतर कार्य साक्ष्य, केवल उच्च डैशबोर्ड संख्या नहीं।

Scrapeless कार्यप्रवाह में कैसे फिट बैठता है

Scrapeless यूनिवर्सल स्क्रैपिंग API प्रस्तुत सार्वजनिक वेब सामग्री को वापस करता है जो पुनर्प्राप्ति, अनुक्रमण, और भाषा मॉडल पाइपलाइनों को खिलाता है। यह वहाँ मौजूद होता है जहाँ पुनर्प्राप्ति-उपयुक्त पीढ़ी ऐसी जानकारी पर निर्भर करती है जिसे वर्तमान सार्वजनिक वेब से एकत्र किया जाना चाहिए। उत्पाद ऊपर वर्णित परिभाषा, मूल्यांकन, शासन, या डाउनस्ट्रीम निर्णयात्मक तर्क को प्रतिस्थापित नहीं करता है।

व्यावहारिक एकीकरण की सीमा सरल है: उचित Scrapeless सतह के माध्यम से स्वीकृत सार्वजनिक स्रोत को एकत्र करना, स्रोत URL और संग्रह संदर्भ को संरक्षित करना, प्रतिक्रिया को साफ़ या संरचना करना, और केवल आवश्यक साक्ष्य को अगले चरण में पास करना। यह पृथक्करण वेब पहुंच को एप्लिकेशन तर्क से स्वतंत्र रखता है और विफलताओं की जांच करना आसान बनाता है।

कार्यान्वयन से पहले वर्तमान अनुरोध सतह की पुष्टि के लिए अंतिम संदर्भ अनुभाग में उत्पाद दस्तावेज़ का उपयोग करें। उत्पाद क्षमताएँ बदल सकती हैं, इसलिए कोड, पैरामीटर, और मात्रात्मक दावे लाइव दस्तावेज़ से और एक नियंत्रित सत्यापन रन से आना चाहिए न कि एक याद किए गए उदाहरण से।

निष्कर्ष

पुनर्प्राप्ति-उपयुक्त पीढ़ी को सबसे अच्छा एक वास्तुकला के रूप में समझा जा सकता है जो एक बाहरी संग्रह से जानकारी पुनर्प्राप्त करता है और एक जनरेटिव मॉडल को चयनित साक्ष्य प्रदान करता है जब यह एक प्रश्न का उत्तर देता है। इसका मूल्य एक स्पष्ट रूप से परिभाषित इनपुट, एक निरीक्षणीय परिवर्तन, एक सीमाबद्ध आउटपुट, और वास्तविक डाउनस्ट्रीम निर्णय के खिलाफ मूल्यांकन से आता है। परिणाम के साथ उत्पत्ति को बनाए रखें, उस आवश्यकता को पूरा करने वाला सबसे सरल तरीका चुनें, और अनिश्चितता या गायब प्राधिकरण को रोकने या चढ़ाने का कारण मानें।

क्या आप एक ग्राउंडेड वेब डेटा कार्यप्रवाह बनाने के लिए तैयार हैं?

Scrapeless यूनिवर्सल स्क्रैपिंग API के साथ वर्तमान सार्वजनिक वेब डेटा से पुनर्प्राप्ति-उपयुक्त पीढ़ी परियोजनाओं को जोड़ें और संग्रह परत को अपने एप्लिकेशन तर्क से अलग रखें।

आज ही साइन अप करें और पाएं $5 का मुफ्त क्रेडिट — कोई क्रेडिट कार्ड की आवश्यकता नहीं है.

आपका $5 क्रेडिट → क्लेम करें

प्रश्नोत्तरी

क्या RAG भ्रांतियों को समाप्त करता है?

नहीं। RAG प्रासंगिक साक्ष्य प्रदान कर सकता है, लेकिन पुनर्प्राप्तकर्ता सही अंश चूक सकता है और जनरेटर साक्ष्य को गलत पढ़ सकता है या उसे पार कर सकता है। मूल्यांकन को पुनर्प्राप्ति स्मरण, उत्तर समर्थन, संदर्भ सटीकता, और अनुपस्थिति का परीक्षण करना चाहिए।

विकल्प को उन शर्तों में दस्तावेज़ करें जिन्हें एक समीक्षक परीक्षण कर सकता है: इनपुट, अपेक्षित व्यवहार, अनुमत दायरा, और साक्ष्य जो पूर्णता की पुष्टि करता है। यह अनुशासन एक सुविधाजनक लेबल को छिपाने से रोकता है जो एक बिना जांचा गया प्रणाली धारणा बनाए रखता है।

क्या RAG को एक वेक्टर डेटाबेस की आवश्यकता है?

नहीं। RAG शब्दात्मक खोज, SQL, ज्ञान ग्राफ़, APIs, वेक्टर पुनर्प्राप्ति, या हाइब्रिड तरीकों का उपयोग कर सकता है। जब सेमांटिक समानता उपयोगी होती है, तब एक वेक्टर डेटाबेस सामान्य है, लेकिन यह RAG की परिभाषा के बजाय एक घटक है।

RAG और फाइन-ट्यूनिंग में क्या अंतर है?

RAG अनुरोध समय पर चयनित जानकारी प्रदान करता है, जबकि फाइन-ट्यूनिंग प्रशिक्षण के माध्यम से मॉडल पैरामीटर को बदलता है। RAG अक्सर तेजी से बदलते या उद्धृत ज्ञान के लिए बेहतर होता है; फाइन-ट्यूनिंग व्यवहार, प्रारूप, या विशिष्ट पैटर्न को आकार दे सकता है।

RAG मूल्यांकन को क्या मापना चाहिए?

एक उपयोगी मूल्यांकन सेवन गुणवत्ता, पुनर्प्राप्ति प्रासंगिकता, संदर्भ कवरेज, उत्तर समर्थन, संदर्भ सटीकता, लेटेंसी, लागत, सुरक्षा फ़िल्टरिंग, और अनुपस्थिति को अलग करता है। एक एंड-टू-एंड स्कोर यह नहीं छिपाता कि कौन सा चरण मरम्मत की आवश्यकता है।