RAG och kunskapssystem

Bygg en personlig RAG: chatta med dina egna dokument

Bygg och utvärdera en avgränsad dokumentförankrad assistent. Jämför värdbaserade anteckningsböcker, projektarbetsytor och konfigurerbar hämtning utan att försvaga proveniens eller behörigheter.

Bygg ett produktionsklart RAG-system: inläsning, inbäddning, hämtning, omrangordning och utvärdering

En produktionsklar RAG-pipeline består av sex steg, vart och ett med specifika mönster som avgör kvaliteten. Arkitekturen, valen i varje steg och den iterativa utvärderingsdisciplin som skiljer ett fungerande RAG-system från ett som gör användarna besvikna.

10 min läsning

RAG för företagskunskap: behörigheter, informationsläckage och källgränser

En kunskapsassistent för företag är säker endast om informationshämtningen respekterar behörigheterna. Så utformas källgränser för RAG, ACL-filtrering, dokumentägarskap, loggning, hantering av inaktuella källor och säkra avböjanden.

Mer i detta ämne

9 min läsning

Ett personligt kunskapssystem som hjälper dig att hitta tillbaka – inte bara samla

Ett avgränsat system från insamling till återfinning med tydliga användningsfall, återfinningstester, granskningsdatum, raderingsregler och varningar om känsliga anteckningar, andras data och konton hos leverantörer.

20 minuter

Behörigheter och åtkomstkontroll för RAG – en fördjupad guide

Paragon. Går igenom behörighetsproblemet för RAG i produktion och jämför verktygsanrop, namnrymder, ACL-tabeller och relationsbaserade behörigheter. Det stöder direkt artikelns huvudregel: informationshämtningen får endast returnera källor som den aktuella användaren har rätt att se, och källsystemens behörigheter får inte behandlas som en efterhandsfråga.

7 minuter

Få bättre RAG och AI-agenter med Docling

IBM Technology. Förklarar inläsningsdelen av RAG och agenter: hur PDF-filer och andra filer förbereds så att dokumentstruktur, tabeller och layout bevaras för efterföljande informationshämtning. Det stöder artikelns varning om att kvaliteten och säkerheten hos RAG börjar före vektoriseringen, särskilt när komplexa affärsdokument ska tolkas.

Säker dokumentinläsning för RAG: PDF-filer, OCR, metadata och lagringstid

Kvaliteten på RAG börjar före hämtningen. En säker guide till inläsning av PDF-filer, OCR, metadata, behörigheter, källors aktualitet, radering, risk för skadlig kod och operativt ansvar.

Utforma en AI-supportagent: triage, kunskap, åtgärder och eskalering

En köutvärderad referensdesign för supporttriage, hämtning, svarsutkast, kontrollerade åtgärder och mänsklig eskalering, med de policy- och mätgränser som krävs för en säker pilot.

Segmentering, omrangordning och hybridsökning: få RAG att faktiskt fungera

De flesta RAG-implementationer fungerar dåligt eftersom de gör tre saker fel. En praktisk guide till att segmentera dokument, rangordna om resultat och kombinera nyckelordssökning med semantisk sökning – utan att bli sökingenjör.

Kontextutveckling: hantera fönster med 1 miljon token utan kontextförfall

Kontextfönster med 1 miljon token finns, men kvaliteten försämras långt före gränsen. Kontextutveckling är disciplinen att använda kontextfönster effektivt – vad som ska tas med, sammanfattas eller hämtas på nytt, samt mönstren som håller kvaliteten hög när kontexten växer.

Bygg din första AI-agent i n8n: ett komplett arbetsflöde för leadprioritering

En dokumenterad n8n-design för leadprioritering: validera indata, begränsa agentens verktyg, validera strukturerade utdata, spara ett atomiskt förslag och håll varje kundsynlig åtgärd bakom ett godkännande.

Välj mellan promptning, RAG och finjustering (och när de bör kombineras)

Promptning, RAG och finjustering är de tre stora verktygen för att anpassa LLM-modeller till ditt problem. Var och en passar vissa problem och är fel för andra. Ett ramverk för valet, de realistiska kostnaderna och de produktionsmönster där kombinationer ger bäst resultat.

RAG bortom textsegment: graf-RAG, agentbaserad RAG och RAG med lång kontext

Klassisk textsegmentsbaserad RAG har begränsningar. Graf-RAG, agentbaserad RAG och RAG med lång kontext bryter igenom dessa begränsningar på olika sätt. När respektive metod är rätt verktyg, hur de faktiskt fungerar och vilka avvägningar i produktion som spelar roll.

11 minuter

Så använder du NotebookLM som nybörjare 2024 (handledning i NotebookLM)

TheAIGRID. Den äldre, funktionsinriktade rundturen visar uppladdning av blandade källor, fokus på en enda källa, informationsunderlag och Audio Overviews i det gränssnitt som fanns när den spelades in. Den är användbar för att känna igen delar i arbetsflödet, inte för att bekräfta aktuellt gränssnitt eller aktuella funktioner i Gemini Notebook.

26 minuter

Så använder du NotebookLM (Googles AI-baserade ”verktyg för förståelse”)

Tiago Forte. Tiago Forte, författare till _Building a Second Brain_, demonstrerar produkten som då hette NotebookLM med anteckningar, PDF-filer och urklipp. Det användbara mönstret är att välja en avgränsad källuppsättning, ställa dokumentfrågor, granska länkade textavsnitt och avgöra hur de skapade artefakterna passar in i ett befintligt kunskapsflöde.

69 minuter

De 5 nivåerna av textdelning för informationshämtning

Greg Kamradt. Artikeln ägnar stort utrymme åt segmentering. Det här är den längsta och mest metodiska förklaringen av vad varje strategi för segmentering faktiskt gör – från rekursiv teckenbaserad delning via dokumentmedveten delning till semantisk och agentbaserad delning. Kombinera videon med Gregs kostnadsfria verktyg ChunkViz för att bygga upp en intuitiv förståelse innan du börjar finjustera.

24 minuter

”Jag vill få Llama3 att prestera 10x med min privata kunskap” – lokal agentbaserad RAG med llama3

AI Jason. Omfattar exakt den stack som artikeln förespråkar – frågetransformering, hybrid informationshämtning, omrangordning och en korrigerande RAG-loop – i ett enda körbart bygge. Den ger en användbar arbetsmodell för hur pipelinen segmentering → omrangordning → svar ser ut när den faktiskt gör sitt jobb.

17 minuter

RAG-agenter i produktion: 10 lärdomar – Douwe Kiela, skaparen av RAG

AI Engineer. Douwe Kiela ledde arbetet med den ursprungliga RAG-artikeln på FAIR och levererar nu RAG till reglerade företag. Föredraget handlar främst om vad som slutar fungera i stor skala – segmenteringsstrategier som inte håller för 100k dokument, ”korrekthet är en hygienfaktor, inkorrekthet är det verkliga problemet” och varför källhänvisningar och observerbarhet är viktigare än inbäddningsmodellen. Bra kalibrering innan du läser om artikelns avsnitt om utvärdering och övervakning.

19 minuter

Bygg produktionsklara RAG-applikationer: Jerry Liu

AI Engineer. LlamaIndex vd går igenom avståndet mellan en ”naiv RAG-demo” och en verklig datapipeline – hämtning från små till stora delar, dirigering av delfrågor, hybridsökning och utvärdering. Upplägget på hans bilder motsvarar nästan direkt artikelns avsnitt om datapipelinen. Se videon först och läs sedan om artikeln med hans diagram i huvudet.

9 minuter

RAG kontra finjustering

IBM Technology. Ett mer avgränsat fokus på de två tekniker som team oftast blandar ihop. Videon går djupare in på datas aktualitet, källhänvisningar och argumentet att finjustering kan ge snabbare inferens. Den är värd att se om du specifikt försöker argumentera mot ett onödigt finjusteringsprojekt.

13 minuter

RAG kontra finjustering kontra promptutformning: optimera AI-modeller

IBM Technology. En tydlig whiteboardgenomgång av alla tre teknikerna och deras respektive kostnader: latens vid informationshämtning, beräkningskostnaden för träning och katastrofal glömska samt begränsningarna med lösningar som enbart bygger på prompter. Den tar också upp de kombinationer som faktiskt är rimliga i produktion. Det avslutande exemplet, där ett juridiskt AI-system använder alla tre teknikerna, motsvarar nästan exakt artikelns argument om när de bör kombineras.

39 minuter

Vi presenterar RAG 2.0: agentbaserad RAG + kunskapsgrafer (KOSTNADSFRI mall)

Cole Medin. En fungerande lösning som kombinerar agentbaserad RAG med en kunskapsgraf, där agenten avgör när den ska göra en vektorsökning, när den ska söka i Neo4j och när den ska göra båda. Det är den tydligaste demonstrationen på YouTube av mönstret där agenten planerar informationshämtningen, vilket artikeln beskriver, och koden går faktiskt att hämta och köra.

16 minuter

Graf-RAG: förbättra RAG med kunskapsgrafer

Prompt Engineering. En fokuserad genomgång av Microsofts GraphRAG – extraktion av entiteter, sammanfattningar av grupper och frågefokuserad sammanfattning – som installeras på en lokal dator och kompletteras med information om kostnader. Se den specifikt för artikelns avsnitt om graf-RAG. Kostnadsdiskussionen är den del som de flesta texter utelämnar.