RAG og videnssystemer
Personlig RAG, informationshentning i drift, opdeling af indhold, adgangsrettigheder, indlæsning og afgrænsning af kilder.
13 historier (7 artikler · 6 videoer)
Start her
Et par gode steder at begynde, før du går på opdagelse i hele oversigten.
10 min læsningByg en personlig RAG: chat med dine egne dokumenter
Byg og evaluér en afgrænset dokumentforankret assistent. Sammenlign hostede notesbøger, projektarbejdsområder og konfigurerbar retrieval uden at svække proveniens eller tilladelser.
Let øvet
10 min læsningRAG til virksomhedsviden: tilladelser, datalæk og kildegrænser
En assistent til virksomhedsviden er kun sikker, hvis hentningen respekterer tilladelser. Sådan designer I kildegrænser, ACL-filtrering, dokumentejerskab, logning, håndtering af forældede kilder og sikker afvisning i RAG.
AvanceretFlere i dette emne
9 min læsningEt personligt vidensystem, der hjælper dig med at finde frem, ikke hamstre
Et afgrænset system fra registrering til genfinding med tydelige anvendelser, søgetest, revisionsdatoer og sletteregler samt advarsler om følsomme noter, andres oplysninger og konti hos eksterne udbydere.
Let øvet
20 minutterTilladelser og adgangskontrol til RAG – en dybdegående tutorial
Paragon. Gennemgår produktions-RAG-tilladelsesproblemet og sammenligner tool-calling, namespaces, ACL-tabeller og relationship-based permissions. Det understøtter direkte artiklens kerneregel: retrieval må kun returnere kilder, den aktuelle bruger har lov til at se, og tilladelser i kildesystemet kan ikke behandles som en eftertanke.
Avanceret
7 minutterFå bedre RAG og AI-agenter med Docling
IBM Technology. Forklarer ingestionsiden af RAG og agenter: forberedelse af PDF'er og andre filer, så dokumentstruktur, tabeller og layout overlever ind i downstream retrieval. Det understøtter artiklens advarsel om, at RAG-kvalitet og -sikkerhed begynder før embedding, især når komplekse forretningsdokumenter parses.
Avanceret
11 min læsningSikker dokumentindlæsning til RAG: PDF'er, OCR, metadata og opbevaringsperioder
Kvaliteten af RAG starter før søgningen. En sikker vejledning i indlæsning af PDF'er, OCR, metadata, tilladelser, kilders aktualitet, sletning, malwarerisiko og driftsansvar.
Avanceret
11 min læsningDesign en AI-agent til kundeservice: triage, viden, handlinger og eskalering
Et køevalueret referencedesign til supporttriage, retrieval, svarudkast, kontrollerede handlinger og menneskelig eskalering med de politik- og målegrænser, som en sikker pilot kræver.
Let øvet
11 min læsningByg din første AI-agent i n8n: kvalificering af kundeemner fra start til slut
Et dokumentationsgennemgået n8n-design til prioritering af kundeemner: validér inddata, begræns agentens værktøjer, validér strukturerede uddata, gem et atomisk forslag, og hold alle kundesynlige handlinger bag en godkendelse.
Let øvet
12 min læsningVælg mellem prompting, RAG og finjustering (og hvornår de skal kombineres)
Prompting, RAG og finjustering er de tre store greb til at tilpasse LLM'er til dit problem. De passer hver især til nogle problemer og ikke til andre. Her er en ramme for valget, de realistiske omkostninger og de produktionsmønstre, hvor kombinationen virker bedst.
Avanceret
11 minutterSådan bruger du NotebookLM for begyndere i 2024 (NotebookLM-tutorial)
TheAIGRID. Denne ældre, funktionsorienterede gennemgang viser upload af blandede kilder, fokus på én kilde, briefingdokumenter og Audio Overviews i den daværende brugerflade. Den er nyttig til at genkende dele af arbejdsgangen, ikke til at bekræfte den aktuelle Gemini Notebook-grænseflade eller tilgængelige funktioner.
Let øvet
26 minutterSådan bruger du NotebookLM (Googles AI-"værktøj til forståelse")
Tiago Forte. Tiago Forte, forfatter til _Building a Second Brain_, demonstrerer det produkt, der dengang hed NotebookLM, med noter, PDF'er og klip. Det nyttige mønster er at vælge et afgrænset kildesæt, stille dokumentspørgsmål, undersøge de linkede passager og afgøre, hvordan de resulterende artefakter passer ind i en eksisterende vidensarbejdsgang.
Let øvet
9 minutterRAG vs. fine-tuning
IBM Technology. Strammere fokus på de to teknikker, teams oftest forveksler. Går dybere ind i datafreshness, kildeattribution og inference-time-hastighedsargumentet for finjustering. Værd at se, hvis du specifikt forsøger at argumentere imod et unødvendigt fine-tune-projekt.
Avanceret
13 minutterRAG vs Fine-Tuning vs Prompt Engineering: Optimering af AI-modeller
IBM Technology. En klar whiteboard-gennemgang af alle tre teknikker med deres respektive omkostninger — retrieval-latenstid, træningscompute og catastrophic forgetting, grænserne for prompt-only-løsninger — og de kombinationer, der faktisk giver mening i produktion. Det afsluttende eksempel på et juridisk AI-system, der bruger alle tre, er næsten præcis artiklens "hvornår skal de kombineres"-argument.
Avanceret