RAG &amp; Knowledge Systems

Byg 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.

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

Et 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.

20 minutter

Tilladelser 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.

7 minutter

Få 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.

Sikker 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.

Design 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.

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: 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.

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.

11 minutter

Sådan 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.

26 minutter

Sådan 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.

69 minutter

De 5 niveauer af tekstopsplitning til retrieval

Greg Kamradt. Artiklen bruger mange ord på chunking; dette er den længste, mest tålmodige forklaring af, hvad hver chunking-strategi faktisk gør — fra character-recursive via document-aware til semantisk og agentisk splitting. Par den med Gregs gratis ChunkViz-værktøj for at opbygge intuition, før du begynder at tune.

24 minutter

"Jeg vil have Llama3 til at performe 10x med min private viden" — lokal agentisk RAG med llama3

AI Jason. Dækker den præcise stack, artiklen argumenterer for — query translation, hybrid retrieval, reranking og en corrective-RAG-sløjfe — i én kørbar bygning. Nyttig som en arbejdende mental model for, hvordan chunk → rerank → answer-pipelinen ser ud, når den faktisk gør sit job.

17 minutter

RAG Agents in Prod: 10 lektioner, vi lærte — Douwe Kiela, skaber af RAG

AI Engineer. Douwe Kiela ledede det oprindelige RAG-paper på FAIR og shipper nu RAG ind i regulerede enterprises. Talket handler mest om, hvad der holder op med at virke i skala — chunking-strategier, der ikke overlever 100k dokumenter, "accuracy is table stakes, inaccuracy is the real problem", og hvorfor attribution og observerbarhed betyder mere end embedding-modellen. God kalibrering, før du genlæser artiklens eval- og monitoring-afsnit.

19 minutter

Bygning af produktionsklare RAG-applikationer: Jerry Liu

AI Engineer. LlamaIndex' CEO gennemgår gapet mellem "naiv RAG-demo" og en rigtig pipeline — small-to-big retrieval, sub-question routing, hybrid search, evaluering. Formen på hans slides mapper næsten direkte til artiklens pipeline-afsnit; se først, og genlæs derefter artiklen med hans diagrammer i hovedet.

9 minutter

RAG 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.

13 minutter

RAG 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.

39 minutter

Introducing RAG 2.0: Agentic RAG + Knowledge Graphs (GRATIS skabelon)

Cole Medin. En arbejdende agentic-RAG-plus-knowledge-graph-bygning, hvor agenten beslutter, hvornår den skal lave vector search, hvornår den skal ramme Neo4j, og hvornår den skal gøre begge dele. Det er den klareste demonstration på YouTube af mønsteret "agenten som retrieval-planner", artiklen beskriver, i kode du faktisk kan trække ned og køre.

16 minutter

Graph RAG: Forbedring af RAG med knowledge graphs

Prompt Engineering. En fokuseret gennemgang af Microsofts GraphRAG — entity extraction, community summaries, query-focused summarization — sat op på en lokal maskine med omkostningsnoter. Se den specifikt til artiklens graph-RAG-afsnit; omkostningsdiskussionen er den del, de fleste write-ups springer over.