RAG &amp; Knowledge Systems

Byg din egen personlige RAG: chat med dine egne dokumenter (ingen kode)

Byg din egen dokumentbaserede chat på under en time uden kode. De tre no-code-løsninger, der er værd at bruge i 2026, deres afvejninger og de mønstre, der adskiller en nyttig RAG fra en frustrerende.

Byg produktionsklar RAG: indlæsning, embeddings, søgning, reranking og evaluering

En produktionsklar RAG-pipeline består af seks faser, hvor konkrete mønstre afgør kvaliteten. Her er arkitekturen, valgene i hver fase og den iterative evalueringsdisciplin, der adskiller velfungerende RAG fra skuffende løsninger.

10 min læsning

RAG 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.

Flere i dette emne

9 min læsning

A personal knowledge system that helps you retrieve, not hoard

Highlights, clippings, and AI summaries pile up without making you smarter. A small capture-to-retrieval system built around three real decisions — plus what to do about sensitive notes, other people's data, and the false privacy of a personal account.

Video

Permissions & Access Control for RAG - a Deep Dive Tutorial

Paragon.

Video

Unlock Better RAG & AI Agents with Docling

IBM Technology.

Sikker dokumentingestion til RAG: PDF'er, OCR, metadata og opbevaring

RAG-kvalitet begynder før hentningen. En guide til sikker ingestion af PDF'er med OCR, metadata, tilladelser, kildeaktualitet, sletning, malwarerisiko og operationelt ejerskab.

AI-kundeserviceagenten, der løser 70% af alle sager

Et realistisk design til en AI-kundeserviceagent, der løser de almindelige sager, eskalerer de svære og ikke begår den type fejl, der ender på Hacker News. Arkitekturen, prompterne og sikkerhedsforanstaltningerne.

Chunking, reranking og hybridsøgning: Få RAG til faktisk at virke

De fleste RAG-implementeringer fungerer dårligt, fordi de håndterer tre ting forkert. En praktisk guide til chunking af dokumenter, reranking af resultater og kombination af søgeord med semantisk søgning — uden at du behøver blive søgeekspert.

Kontekstengineering: håndtering af 1M-tokenvinduer uden kontekstforringelse

Der findes kontekstvinduer på 1M tokens, men kvaliteten forringes længe før grænsen nås. Kontekstengineering er disciplinen i at bruge kontekstvinduer effektivt — hvad der skal medtages, hvad der skal sammenfattes, hvad der skal hentes på ny, og hvilke mønstre der holder kvaliteten høj, når konteksten vokser.

Byg din første AI-agent i n8n: en komplet arbejdsgang til leadtriage

En komplet gennemgang af, hvordan du bygger en virkelig AI-agent i n8n — en agent, der sorterer indgående leads, beriger dem med data, scorer dem og sender dem videre. Hver node, hver prompt og hver faldgrube.

Vælg 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.

RAG ud over chunks: Graph RAG, agentisk RAG og RAG med lang kontekst

Klassisk chunk-baseret RAG har begrænsninger. Graph RAG, agentisk RAG og RAG med lang kontekst overskrider dem på forskellige måder. Her ser vi på, hvornår hver variant er det rette værktøj, hvordan den faktisk fungerer, og hvilke afvejninger der betyder noget i produktion.