Kompletterande videor

Segmentering, omrangordning och hybridsökning: få RAG att faktiskt fungera – kompletterande videor

Den här artikeln går vidare från varianten av RAG där du bara ”slänger in dokumenten i en vektordatabas” och tar upp de tre reglage som faktiskt påverkar kvaliteten: segmentering, omrangordning och hybridsökning. I de här videorna får du se hur reglagen justeras. Förstahandsvalet är en metodisk djupdykning i vad textdelaren faktiskt gör. Bygget med agentbaserad RAG visar hur alla tre reglagen används i en och samma körbara pipeline.

Förstahandsval

1:08:59

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.

Vad du bör få ut av detta: Bygg upp en intuitiv förståelse för valen kring segmentering innan du finjusterar ett verkligt system för informationshämtning.

Titta på eller ha koll på först: Grundläggande kännedom om embeddings och varför kvaliteten på informationshämtningen beror på hur dokument delas upp.

Anteckning från AI Expert: De specifika biblioteken och demonstrationerna kan bli inaktuella, men avvägningarna kring segmentering består. Använd videon för att få ett språk för felsökning och testa sedan segmentstorlekar och textdelare mot dina egna dokument och frågor.

Öppna videosidan

Värt att titta på

24:01

”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.

Vad du bör få ut av detta: Se hur omskrivning av frågor, hybrid informationshämtning, omrangordning och korrigerande loopar passar ihop i en och samma RAG-pipeline.

Titta på eller ha koll på först: Känn till det grundläggande mönstret hämta och generera och var bekväm med att följa en kodgenomgång.

Anteckning från AI Expert: Se ramverket, modellen och den Llama3-specifika konfigurationen som versionskänsliga. Behåll pipelineformen, men kontrollera aktuella paket-API:er, modellval, omrangordningskvalitet och utvärderingsresultat innan du kopierar implementationen.

Öppna videosidan