# RAG Arkkitehtuuri ja sisätilat: Miten se todella toimii

Sisään [Osa 1](/blog/rag-primer)Käsittelimme RAG:n alkuperän, perusasiat ja sen, miksi sillä on merkitystä. Ymmärrät korkean tason konseptin: hae relevantti tieto ja käytä sitä vastausten tuottamiseen. Nyt sukellamme syvälle tekniseen arkkitehtuuriin - tarkalleen, miten RAG-järjestelmät toimivat konepellin alla, pilkkomisstrategioista LLM:n sisäisiin järjestelmiin, kuten rahakkeisiin ja KV-välilyönteihin.

<datetime class="hidden">2025-11-22T09:30</datetime>

<!-- category -- AI, RAG, Machine Learning, Semantic Search, LLM, AI-Article -->
# Johdanto

**Sarjan navigaatio:** Tämä on aluetukisuuntaviivojen 2 osa:

- [Osa 1: Alkuperä ja perusasiat](/blog/rag-primer) - Historiaa, motivaatiota ja ydinkäsitteitä
- **Osa 2: Arkkitehtuuri ja sisätilat** (tämä artikkeli) - Tekninen syvä sukellus RAG:n toimintaan
- [Osa 3: Aluetuki käytännössä](/blog/rag-practical-applications) - Todellisten järjestelmien, haasteiden ja kehittyneiden tekniikoiden rakentaminen
- [Osa 4a: ONNX & Qdrantin toteutus](/blog/semantic-search-with-onnx-and-qdrant) - CPU-ystävällinen semanttinen hakusäätiö
- [Osa 4b: Semanttinen haku toiminnassa](/blog/semantic-search-in-action) - Typeahead, hybridihaku, ja UI
- [Osa 5: Hybridihaku ja autoindeksointi](/blog/rag-hybrid-search-and-indexing) - Tuotannon integraatiomallit
- [Osa 6: GraphRAG](/blog/graphrag-knowledge-graphs-for-rag) - Tietokäyrät korporaatiotason ymmärtämiseen

Jos et ole lukenut osaa 1, suosittelen, että aloitat sen ymmärtämisen:

- Mitä RAG on ja miksi sillä on merkitystä
- Historia avainsanahausta semanttiseen ymmärrykseen
- RAG vs hienosäätö ja muut lähestymistavat

Tässä artikkelissa oletetaan, että ymmärrät nämä perusasiat ja keskityt **tekninen arkkitehtuuri, toteutustiedot ja LLM-sisätilat**.

[TOC]

# Miten RAG toimii: Täydellinen kuva

Puretaan tarkkaan, mitä RAG-järjestelmässä tapahtuu, siitä hetkestä, kun lisäät asiakirjan, siihen, kun käyttäjä saa vastauksen.

## Vaihe 1: Indeksointi (tietopohjan valmistelu)

Ennen kuin RAG voi hakea mitään, sinun on indeksoitava tietopohjasi. Tämä on kertaluonteinen prosessi (joskin voit lisätä uusia asiakirjoja myöhemmin).

```mermaid
flowchart TB
    A[Source Documents] -->|1. Extract Text| B[Text Extraction]
    B -->|2. Split into Chunks| C[Chunking Service]
    C -->|3. Generate Embeddings| D[Embedding Model]
    D -->|4. Store Vectors| E[Vector Database]

    B -.Metadata.-> E

    subgraph "Example: Blog Post"
        F["Understanding Docker: A containerization platform..."]
    end

    subgraph "Chunks"
        G["Chunk 1: Title + Intro"]
        H["Chunk 2: Benefits Section"]
    end

    subgraph "Embeddings"
        I["0.234, 0.891, 0.567, ..."]
        J["0.445, 0.123, 0.789, ..."]
    end

    F --> G
    F --> H
    G --> I
    H --> J

    style D stroke:#f9f,stroke-width:2px
    style E stroke:#bbf,stroke-width:2px
```

### Vaihe 1: Tekstin poisto

Poista selkeä teksti lähdeasiakirjoistasi. Tämä voi olla:

- Markdown-tiedostot (kuten blogikirjoitukseni)
- PDF-muodossa (dokumentteja varten)
- HTML (verkossa raaputtamiseen)
- Tietokantatiedot
- Sähköpostit, keskustelulokit jne.

**Esimerkki blogistani:**

```csharp
// From MarkdownRenderingService
public string ExtractPlainText(string markdown)
{
    // Remove code blocks
    var withoutCode = Regex.Replace(markdown, @"```[\s\S]*?```", "");

    // Convert markdown to plain text
    var document = Markdown.Parse(withoutCode);
    var plainText = document.ToPlainText();

    return plainText.Trim();
}
```

### Vaihe 2: Nuuskiminen

Tässä suurin osa RAG:n toteutuksista epäonnistuu. Kappalerajaa ei voi vain jakaa, vaan tarvitaan semanttisesti johdonmukaisia kappaleita.

**Miksi paloittelulla on merkitystä:**

- LLM:illä on nimelliset raja-arvot (konteksti-ikkunat)
- Pienemmät kappaleet = tarkempi haku
- Mutta palasten täytyy sisältää tarpeeksi kontekstia ollakseen merkityksellisiä

**Huono löyly:**

```
Chunk 1: "Docker is a containerization platform. It allows you"
Chunk 2: "to package applications with their dependencies. This"
Chunk 3: "ensures consistency across environments."
```

**Hyvä pilkkominen:**

```
Chunk 1: "Docker is a containerization platform. It allows you to package applications with their dependencies. This ensures consistency across environments."

Chunk 2: "Benefits of Docker:
- Isolation: Each container runs in its own environment
- Portability: Containers run anywhere Docker is installed
- Efficiency: Lightweight compared to virtual machines"
```

**Esimerkki semanttisesta hakutoteutuksestani:**

```csharp
public class TextChunker
{
    private const int TargetChunkSize = 500; // ~500 words
    private const int ChunkOverlap = 50;     // 50 words overlap

    public List<Chunk> ChunkDocument(string text, string sourceId)
    {
        var chunks = new List<Chunk>();

        // Split on section boundaries first (## headers in markdown)
        var sections = SplitOnHeaders(text);

        foreach (var section in sections)
        {
            // If section is small enough, keep it whole
            if (section.WordCount < TargetChunkSize)
            {
                chunks.Add(new Chunk
                {
                    Text = section.Text,
                    SourceId = sourceId,
                    SectionHeader = section.Header
                });
            }
            else
            {
                // Split large sections on sentence boundaries
                var subChunks = SplitOnSentences(section.Text, TargetChunkSize, ChunkOverlap);
                chunks.AddRange(subChunks.Select(c => new Chunk
                {
                    Text = c,
                    SourceId = sourceId,
                    SectionHeader = section.Header
                }));
            }
        }

        return chunks;
    }
}
```

**Yhteiset leikkausstrategiat:**

- **Kiinteä koko**: Yksinkertainen mutta rikkoo semanttisia rajoja
- **Tuomio perustuu tuomioon**: Kunnioittaa kielioppia, mutta voi olla liian pieni
- **Kappaleisiin perustuva**: Luonnollinen, mutta vaihteleva koko
- **Erityisjaostoon perustuva**: Paras jäsenneltyyn sisältöön (mieltymykseni)
- **Liukuikkuna päällekkäin**: Varmistaa, ettei kontekstia hukata rajojen yli

### Vaihe 3: Luo upotuksia

Upotus on taikaa, joka mahdollistaa semanttisen etsinnän. Upotus on vektori (lukujen säde), joka edustaa tekstin merkitystä.

**Avainkäsite:** Samanlaisia merkityksiä → samankaltaisia vektoreita

```
"Docker container" → [0.234, -0.891, 0.567, ..., 0.123]
"containerization platform" → [0.221, -0.903, 0.534, ..., 0.119]
"apple fruit" → [0.891, 0.234, -0.567, ..., -0.789]
```

Ensimmäiset kaksi vektoria olisivat "lähellä" vektoriavaruudessa (korkean kosiinin samankaltaisuus), kun taas kolmas on kaukana.

**Miten upotukset syntyvät:**
Modernit upotusmallit ovat hermoverkkoja, jotka on koulutettu massiivisiin tekstiaineistoihin, jotta ne oppisivat semanttisia suhteita. Suosittuja malleja:

- **All-MiniLM-L6-v2**: 384 kokoa, nopea, hyvä laatu (mitä käytän tässä blogissa)
- **tekstiin upotettava 3-pieni** (OpenAI): 1536 kokoa, erittäin korkea laatu
- **BGE-pohja**: 768 ulottuvuutta, viimeisintä avointa lähdekoodia

**Esimerkki ONNX-yhdistämispalvelustani:**

```csharp
public async Task<float[]> GenerateEmbeddingAsync(string text)
{
    // Tokenize the input text
    var tokens = Tokenize(text);

    // Create input tensors for ONNX model
    var inputIds = CreateInputTensor(tokens);
    var attentionMask = CreateAttentionMaskTensor(tokens.Length);
    var tokenTypeIds = CreateTokenTypeIdsTensor(tokens.Length);

    // Run ONNX inference
    var inputs = new List<NamedOnnxValue>
    {
        NamedOnnxValue.CreateFromTensor("input_ids", inputIds),
        NamedOnnxValue.CreateFromTensor("attention_mask", attentionMask),
        NamedOnnxValue.CreateFromTensor("token_type_ids", tokenTypeIds)
    };

    using var results = _session.Run(inputs);

    // Extract the output (sentence embedding)
    var output = results.First().AsTensor<float>();
    var embedding = output.ToArray();

    // L2 normalize the vector for cosine similarity
    return NormalizeVector(embedding);
}
```

**Miksi normalisoinnilla on merkitystä:** L2:n normalisoinnin jälkeen kosinan samankaltaisuudesta tulee yksinkertainen pistetuote, jolloin haku on paljon nopeampaa.

### Vaihe 4: Säilytä Vectorin tietokannassa

Vektoritietokannat optimoidaan suuriulotteisten vektorien tallentamiseen ja etsimiseen. Toisin kuin perinteiset SQL-kyselyitä käyttävät tietokannat, vektoritietokannat käyttävät samankaltaisuushakua.

**Avaintoiminnot:**

- **Upsert**: Lisää tai päivitä vektori metatietoineen
- **Etsi**: Etsi K eniten samanlaisia vektoreita kuin kyselyvektori
- **Suodatin**: Yhdistä vektorihaku metatietosuodattimiin

**Esimerkki Qdrantin täytäntöönpanosta:**

```csharp
public async Task IndexDocumentAsync(
    string id,
    float[] embedding,
    Dictionary<string, object> metadata)
{
    var point = new PointStruct
    {
        Id = new PointId { Uuid = id },
        Vectors = embedding,
        Payload =
        {
            ["title"] = metadata["title"],
            ["source"] = metadata["source"],
            ["chunk_index"] = metadata["chunk_index"],
            ["created_at"] = DateTime.UtcNow.ToString("O")
        }
    };

    await _client.UpsertAsync(
        collectionName: "blog_posts",
        points: new[] { point }
    );
}
```

**Suositut vektoritietokannat:**

- **Qdrant**: Nopea, itseohjautuva, erinomainen C#-tuki (valintani)
- **pgvector**: PostgreSQL-laajennus (hienoa, jos käytät jo Postgres-laajennusta)
- **Pinecone**: Hallittu palvelu (kallista mutta hyvää)
- **Hellävarainen**: Feature-rikas, hyvä monimutkaisille skeemoille
- **ChromaDB**: Python-keskeinen, kevyt

Tutustumme näiden tietokantojen perustamiseen tulevissa artikkeleissa.

## Vaihe 2: nouto (asian kannalta merkityksellisen tiedon löytäminen)

Kun käyttäjä esittää kysymyksen, RAG-järjestelmän on löydettävä tietopohjan tärkeimmät tiedot.

```mermaid
flowchart LR
    A["User Query:<br/>'How do I use Docker Compose?'"] --> B[Generate Query Embedding]
    B --> C["Query Vector:<br/>[0.445, -0.123, ...]"]
    C --> D[Vector Search]
    D --> E[Vector Database]
    E --> F[Top K Similar Chunks]
    F --> G["Results:<br/>1. Docker Compose Basics 0.92<br/>2. Multi-Container Setup 0.87<br/>3. Service Configuration 0.83"]

    style B stroke:#f9f,stroke-width:3px
    style D stroke:#bbf,stroke-width:3px
```

### Vaihe 1: Luo kyselyn sulauttaminen

Käyttäjän kysymys muunnetaan vektoriksi käyttäen **sama upotusmalli** Käytetään indeksointiin. Tämä on tärkeää - eri mallit tuottavat yhteensopimattomia vektoreita.

```csharp
public async Task<List<SearchResult>> SearchAsync(string query, int limit = 10)
{
    // Same embedding model used for indexing
    var queryEmbedding = await _embeddingService.GenerateEmbeddingAsync(query);

    // Search in vector store
    var results = await _vectorStoreService.SearchAsync(
        queryEmbedding,
        limit
    );

    return results;
}
```

### Vaihe 2: Samankaltaisuuden etsintä

Vektoritietokanta laskee kyselyvektorin ja kaikkien tallennettujen vektorien samankaltaisuuden. Yhteiset mittarit:

**Cosinen samankaltaisuus** (suosituin normalisoiduille vektoreille):

```
similarity = (A · B) / (||A|| × ||B||)
```

Vaihteluväli: -1–1 (suurempi = enemmän samanlainen)

**Euklidinen etäisyys** (normalisoitumattomien vektorien osalta):

```
distance = sqrt(Σ(Ai - Bi)²)
```

Vaihteluväli: 0–0 (pienempi = enemmän samankaltaista)

**Pistetuote** (jolloin vektorit ovat ennakkonormalisoituja):

```
similarity = A · B
```

Vaihteluväli: -1–1 (suurempi = enemmän samanlainen)

**Esimerkki Qdrant-palvelustani:**

```csharp
var searchResults = await _client.SearchAsync(
    collectionName: "blog_posts",
    vector: queryEmbedding,
    limit: (ulong)limit,
    scoreThreshold: 0.7f,  // Only return results with >70% similarity
    payloadSelector: true   // Include all metadata
);

return searchResults.Select(hit => new SearchResult
{
    Text = hit.Payload["text"].StringValue,
    Title = hit.Payload["title"].StringValue,
    Score = hit.Score,
    Source = hit.Payload["source"].StringValue
}).ToList();
```

### Vaihe 3: Uudelleenasettaminen (valinnainen, mutta suositeltava)

Alkuperäinen haku on nopea mutta likimääräinen. Uudelleen rankingissa käytetään hienostuneempaa mallia, jonka avulla K-huipputulokset voidaan laskea uudelleen.

```mermaid
flowchart LR
    A[Vector Search:<br/>Top 50 Results] --> B[Reranking Model]
    B --> C[Reranked:<br/>Top 10 Results]

    style B stroke:#f9f,stroke-width:3px
```

**Miksi uudelleenasettaminen auttaa:**

- Nopeat upotusmallit optimoivat nopeuden ja uhraavat jonkin verran tarkkuutta
- Uusintamallit ovat hitaampia mutta tarkempia
- Kaksivaiheinen lähestymistapa tasapainottaa nopeutta ja laatua

**Esimerkki täytäntöönpanon uudelleenjärjestämisestä:**

```csharp
public async Task<List<SearchResult>> SearchWithRerankAsync(
    string query,
    int initialLimit = 50,
    int finalLimit = 10)
{
    // Stage 1: Fast vector search
    var candidates = await SearchAsync(query, initialLimit);

    // Stage 2: Precise reranking
    var rerankedResults = await _rerankingService.RerankAsync(
        query,
        candidates
    );

    return rerankedResults.Take(finalLimit).ToList();
}
```

## Vaihe 3: Sukupolvi (vastauksen luominen)

Nyt kun meillä on merkityksellistä tietoa, syötämme sen LLM:lle käyttäjän kysymyksen mukana.

```mermaid
flowchart TB
    A[User Query] --> B[Retrieved Context 1]
    A --> C[Retrieved Context 2]
    A --> D[Retrieved Context 3]

    B --> E[Construct Prompt]
    C --> E
    D --> E
    A --> E

    E --> F["System: You are a helpful assistant...\n\nContext:\n1. Docker Compose allows...\n2. Services are defined...\n3. Volumes persist data...\n\nQuestion: How do I use Docker Compose?\n\nAnswer:"]

    F --> G[LLM]
    G --> H[Generated Answer with Citations]

    style E stroke:#f9f,stroke-width:2px
    style G stroke:#bbf,stroke-width:2px
```

### Vaihe 1: Nopea rakentaminen

Tässä kohtaa RAG:stä tulee taidetta. Sinun on rakennettava pikavippi niin, että LLM:

- Käyttää tarjottua kontekstia (ei sen sisäistä osaamista)
- Leikkauslähteet, jos mahdollista
- Myöntää, kun asiayhteys ei sisällä vastausta
- Säilyttää johdonmukaisen sävyn/tyylin

**Esimerkki nopeasta mallista asianajajani GPT-järjestelmästä:**

```csharp
public string BuildRAGPrompt(string query, List<SearchResult> context)
{
    var sb = new StringBuilder();

    sb.AppendLine("You are a technical writing assistant. Your task is to answer the user's question using ONLY the provided context from past blog posts.");
    sb.AppendLine();
    sb.AppendLine("CONTEXT:");
    sb.AppendLine("========");

    for (int i = 0; i < context.Count; i++)
    {
        sb.AppendLine($"[{i + 1}] {context[i].Title}");
        sb.AppendLine($"Source: {context[i].Source}");
        sb.AppendLine($"Content: {context[i].Text}");
        sb.AppendLine($"Relevance: {context[i].Score:P0}");
        sb.AppendLine();
    }

    sb.AppendLine("========");
    sb.AppendLine();
    sb.AppendLine("INSTRUCTIONS:");
    sb.AppendLine("- Answer the question using the provided context");
    sb.AppendLine("- Cite sources using [1], [2], etc.");
    sb.AppendLine("- If the context doesn't contain enough information, say so");
    sb.AppendLine("- Maintain the technical, practical tone of the blog");
    sb.AppendLine();
    sb.AppendLine($"QUESTION: {query}");
    sb.AppendLine();
    sb.AppendLine("ANSWER:");

    return sb.ToString();
}
```

### Vaihe 2: LLM-päätelmä

Rakennettu pikavippi menee LLM:lle sukupolveksi. Tämä voi olla:

- **Pilvirajapinta**: OpenAI, Antropical Claude, Google PaLM
- **Paikallinen malli**: Käyttämällä lama.cpp, ONNX Runtime, tai TorchSharp

**Esimerkki paikallisen LLM:n avulla:**

```csharp
public async Task<string> GenerateResponseAsync(string prompt)
{
    var result = await _llamaSharp.InferAsync(prompt, new InferenceParams
    {
        Temperature = 0.7f,      // Creativity (0 = deterministic, 1 = creative)
        TopP = 0.9f,             // Nucleus sampling
        MaxTokens = 500,         // Response length limit
        StopSequences = new[] { "\n\n", "User:", "Question:" }
    });

    return result.Text.Trim();
}
```

**Tärkeimmät parametrit selitettiin:**

- **Lämpötila**: Kontrollit satunnaisuus (0 = aina poimitaan todennäköisin, 1 = näyte sattumanvaraisesti)
- **Ylhäällä P**: Nucleus-näytteenotto - harkitse vain rahakkeita, jotka muodostavat P-todennäköisyysmassan
- **Max Tokens**: Rajaa vasteen pituus
- **Pysäytä jaksot**: Milloin lopettaa tuottaminen

### Vaihe 3: Prosessin jälkeinen

LLM:n synnyttämän reaktion jälkeen meidän on usein

- Ottaa lainauksia ja muuntaa ne linkeiksi
- Muodon koodilohkot
- Lisää metatiedot (lähteet, luottamuspisteet)
- Kirjaa vuorovaikutus vianetsintään

**Esimerkki jälkikäsittelystä:**

```csharp
public RAGResponse PostProcess(string llmOutput, List<SearchResult> sources)
{
    var response = new RAGResponse
    {
        Answer = llmOutput,
        Sources = new List<Source>()
    };

    // Extract citations like [1], [2]
    var citations = Regex.Matches(llmOutput, @"\[(\d+)\]");

    foreach (Match match in citations)
    {
        int index = int.Parse(match.Groups[1].Value) - 1;
        if (index >= 0 && index < sources.Count)
        {
            var source = sources[index];
            response.Sources.Add(new Source
            {
                Title = source.Title,
                Url = GenerateUrl(source.Source),
                RelevanceScore = source.Score
            });
        }
    }

    // Convert markdown citations to hyperlinks
    response.FormattedAnswer = Regex.Replace(
        llmOutput,
        @"\[(\d+)\]",
        m => {
            int index = int.Parse(m.Groups[1].Value) - 1;
            if (index >= 0 && index < sources.Count)
            {
                var url = GenerateUrl(sources[index].Source);
                return $"[[{m.Groups[1].Value}]]({url})";
            }
            return m.Value;
        }
    );

    return response;
}
```

# LLM Internalsin ymmärtäminen: Tokens, KV Cache ja Context Windows

Ennen kuin siirrymme käytännön sovelluksiin, on tärkeää ymmärtää, miten LLM:t toimivat sisäisesti. Tämä tieto auttaa optimoimaan RAG-järjestelmiä ja välttämään yhteisiä sudenkuoppia.

## Mitä tokenit ovat?

Tokens on LLM:n prosessien perusyksikkö. Tekstiä ei syötetä suoraan malleille - se on ensin jaoteltu rahakkeiksi.

**Esimerkkimerkitys:**

```
Input:  "Understanding Docker containers"
Tokens: ["Under", "standing", " Docker", " containers"]
```

Eri malleissa käytetään erilaisia sulautusstrategioita:

- **GPT-mallit**: Käytä Byte-Pair Encodingia (BPE) ~50K sanastolla
- **Claude**: Samanlainen BPE-lähestymistapa
- **Llama-mallit**: Tuomionpiece tokenization

**Miksi aluetukialueilla on merkitystä kuponkivoitolla:**

```csharp
public class TokenCounter
{
    // Rough approximation: 1 token ≈ 0.75 words (English)
    public int EstimateTokens(string text)
    {
        var wordCount = text.Split(' ', StringSplitOptions.RemoveEmptyEntries).Length;
        return (int)(wordCount / 0.75);
    }

    public int EstimateTokensAccurate(string text, ITokenizer tokenizer)
    {
        // Use actual tokenizer for precision
        return tokenizer.Encode(text).Count;
    }
}
```

**Kontekstiikkunan rajat:**

- GPT-3.5: 16K-poletit
- GPT-4: 8K-128K tokenit (variantista riippuen)
- Claude 3.5 Sonnet: 200K kuponki
- Llama 3: 8K kuponkeja (vaikka niitä voi pidentää)

RAG-järjestelmiin pitää mahtua:

```
Total tokens = System prompt + Retrieved context + User query + Response buffer
```

Jos RAG hakee 10 asiakirjaa 500 kuponkia kustakin, se on 5 000 kuponkia vain asiayhteyteen - ennen kyselyä ja vastausta!

**Käytännöllinen aluetukialue:**

```csharp
public class ContextWindowManager
{
    private readonly int _maxContextTokens;
    private readonly int _systemPromptTokens;
    private readonly int _responseBufferTokens;

    public ContextWindowManager(
        int totalContextWindow = 4096,
        int systemPromptTokens = 300,
        int responseBufferTokens = 500)
    {
        _maxContextTokens = totalContextWindow;
        _systemPromptTokens = systemPromptTokens;
        _responseBufferTokens = responseBufferTokens;
    }

    public List<SearchResult> FitContextInWindow(
        List<SearchResult> retrievedDocs,
        string query)
    {
        var queryTokens = EstimateTokens(query);

        // Available tokens for retrieved context
        var availableForContext = _maxContextTokens
            - _systemPromptTokens
            - queryTokens
            - _responseBufferTokens;

        var selectedDocs = new List<SearchResult>();
        var currentTokens = 0;

        foreach (var doc in retrievedDocs.OrderByDescending(d => d.Score))
        {
            var docTokens = EstimateTokens(doc.Text);

            if (currentTokens + docTokens <= availableForContext)
            {
                selectedDocs.Add(doc);
                currentTokens += docTokens;
            }
            else
            {
                break; // Context window full
            }
        }

        return selectedDocs;
    }

    private int EstimateTokens(string text)
    {
        // Rule of thumb: 1 token ≈ 4 characters
        return text.Length / 4;
    }
}
```

## KV Cache: LLM:n salainen ase

Kun LLM tuottaa tekstiä, se ei käsittele kaikkea uudelleen tyhjästä jokaiselle rahakkeelle. **Avainarvo (KV) välimuisti** muistaa, mitä se on jo laskenut.

### Miten muuntajat toimivat (yksinkertaistettu)

Transformerit käyttävät "huomiomekanismia", jossa jokainen merkki "tarkkailee" (katsoo) kaikkia aiempia kuponkeja ymmärtääkseen kontekstia.

```mermaid
flowchart TB
    subgraph "Generation Step 1: 'Docker'"
        A1[Input: 'Docker'] --> B1[Compute K,V for 'Docker']
        B1 --> C1[Store in KV Cache]
        C1 --> D1[Generate: 'is']
    end

    subgraph "Generation Step 2: 'is'"
        A2[Input: 'is'] --> B2[Compute K,V for 'is']
        B2 --> C2[Store in KV Cache]
        C2 --> E2[Retrieve KV for 'Docker']
        E2 --> F2[Attend: 'is' to 'Docker']
        F2 --> D2[Generate: 'a']
    end

    subgraph "Generation Step 3: 'a'"
        A3[Input: 'a'] --> B3[Compute K,V for 'a']
        B3 --> C3[Store in KV Cache]
        C3 --> E3[Retrieve KV for 'Docker', 'is']
        E3 --> F3[Attend: 'a' to all previous]
        F3 --> D3[Generate: 'container']
    end

    D1 --> A2
    D2 --> A3

    style C1 stroke:#f9f,stroke-width:3px
    style C2 stroke:#f9f,stroke-width:3px
    style C3 stroke:#f9f,stroke-width:3px
```

**Ilman KV- välimuistia:**

- Vaihe 1: Process 1 plake → O(1)
- Vaihe 2: Prosessi 2 kuponkia tyhjästä → O(2)
- Vaihe 3: Prosessi 3 kuponkia tyhjästä → O(3)
- Yhteensä: O (1 + 2 + 3 + ... + N) = O (N2)

**KV- välimuistilla:**

- Vaihe 1: Process 1 plake, välimuisti K,V → O(1)
- Vaihe 2: Prosessi 1 uusi tunniste, uudelleenkäyttö välimuistissa K,V → O(1)
- Vaihe 3: Prosessi 1 uusi tunniste, uudelleenkäyttö välimuistissa K,V → O(1)
- Yhteensä: O(N)

Tämä tekee sukupolvesta **rajusti nopeampi** - ero 10 poletilla/sekunnilla ja 100 poletilla/sekunnilla.

### KV Cache -puurakenne

KV:n välimuisti muodostaa "puun", koska se toimii muuntajissa. Mallin jokaisella kerroksella on omat K,V-matriisensa.

```mermaid
graph TB
    A[Input Tokens:<br/>'What is Docker?'] --> B[Layer 1 Attention]
    B --> C[Layer 1 KV Cache]

    B --> D[Layer 2 Attention]
    D --> E[Layer 2 KV Cache]

    D --> F[Layer 3 Attention]
    F --> G[Layer 3 KV Cache]

    F --> H[... up to Layer N]
    H --> I[Output: 'Docker is']

    C -.Key-Value pairs<br/>for all input tokens.-> C
    E -.Key-Value pairs<br/>for all input tokens.-> E
    G -.Key-Value pairs<br/>for all input tokens.-> G

    style C stroke:#bbf,stroke-width:2px
    style E stroke:#bbf,stroke-width:2px
    style G stroke:#bbf,stroke-width:2px
```

**Jokainen kerros tallentaa:**

- **Avaimet (K)**: Huomiopisteiden laskemiseen käytetyt edustustot
- **Arvot (V)**: Edustustot, jotka sekoittuvat huomion perusteella

Malli, jossa on

- 32 kerrosta
- 4096 piilotetut mitat
- 32 tarkkaavaista päätä
- 8K-kontekstiikkuna

Yhden sarjan KV- välimuisti on:

```
2 (K and V) × 32 layers × 4096 dimensions × 8192 tokens × 2 bytes (FP16)
≈ 4.3 GB of VRAM!
```

Tästä syystä pitkät konteksti-ikkunat ovat muistitiheitä.

### KV Cache RAG-järjestelmissä

RAG-järjestelmät voivat käyttää KV- välimuistien optimointia ovelasti:

**Välimuistin pikainen välimuisti** (joidenkin API-rajapintojen, kuten Antropical Clauden, tukemana):

```csharp
public class CachedRAGService
{
    // System prompt and retrieved context can be cached!
    public async Task<string> GenerateWithCachedContextAsync(
        string systemPrompt,          // Cached
        List<SearchResult> context,   // Cached
        string userQuery)             // Not cached, changes each time
    {
        var contextText = FormatContext(context);

        // The KV cache for systemPrompt + contextText is reused across queries
        var prompt = $@"
{systemPrompt}

CONTEXT:
{contextText}

QUERY: {userQuery}

ANSWER:";

        return await _llm.GenerateAsync(prompt, useCaching: true);
    }
}
```

**Miksi tämä on voimakas:**

- Ensimmäinen kysely: Laskei KV- välimuistin järjestelmän pikavisiitille + kontekstille (hidas)
- Seuraavat kyselyt samassa yhteydessä: Käyttää uudelleen välimuistissa olevaa KV:tä (10x nopeammin!)
- Vain käyttäjäkyselyn osuus tarvitsee uutta laskentaa

**Käytännöllinen esimerkki:**

```
Query 1: "How do I use Docker?" → 2 seconds (no cache)
Query 2: "What are Docker benefits?" → 0.2 seconds (cache hit!)
Query 3: "Docker vs VMs?" → 0.2 seconds (cache hit!)
```

Kaikki kolme kyselyä käyttävät samaa noudettua kontekstia, joten KV- välimuistia käytetään uudelleen.

## Token Limits and Regage Strategy

Ymmärryskyltit ja KV:n välimuisti kertovat RAG-arkkitehtuurin päätöksistä:

### 1. Chunking Size

Pienemmät kappaleet = tarkempi noutaminen, mutta enemmän yläpuolella:

```csharp
// Option A: Small chunks (200 tokens each)
// Retrieve 20 chunks = 4,000 tokens
// Pro: Very precise, only relevant info
// Con: More KV cache entries, slower attention

// Option B: Larger chunks (500 tokens each)
// Retrieve 8 chunks = 4,000 tokens
// Pro: Better context coherence, fewer KV entries
// Con: More noise, less precise

public class AdaptiveChunker
{
    public int DetermineChunkSize(int contextWindowSize)
    {
        if (contextWindowSize <= 4096)
            return 200; // Small chunks for limited windows

        if (contextWindowSize <= 16384)
            return 500; // Medium chunks

        return 1000; // Large chunks for big windows
    }
}
```

### 2. Kontekstiikkunan käyttö

Älä maksimoi kontekstiikkunaa - jätä tilaa sukupolvelle:

```csharp
public class SafeContextManager
{
    public int GetSafeContextLimit(int totalContextWindow)
    {
        // Use only 75% for input, reserve 25% for output
        return (int)(totalContextWindow * 0.75);
    }

    // Example: 4K model
    // Total: 4096 tokens
    // Safe input: 3072 tokens
    // Reserved for output: 1024 tokens
}
```

### 3. Monikäänteinen RAG-keskustelut

Chatboteissa keskusteluhistoria kasvaa vuorotellen:

```
Turn 1:
System + Context + Query1 = 3000 tokens
Response1 = 300 tokens
Total: 3300 tokens

Turn 2:
System + Context + Query1 + Response1 + Query2 = 3650 tokens
Response2 = 300 tokens
Total: 3950 tokens

Turn 3:
System + Context + Query1 + Response1 + Query2 + Response2 + Query3 = 4250 tokens
ERROR: Context window exceeded!
```

**Ratkaisu: Sliding-ikkuna uudelleen noudettavalla**

```csharp
public class ConversationalRAG
{
    private readonly int _maxHistoryTokens = 1000;

    public async Task<string> ChatAsync(
        List<ConversationTurn> history,
        string newQuery)
    {
        // Re-retrieve context based on current query
        var context = await RetrieveContextAsync(newQuery);

        // Keep only recent conversation history
        var relevantHistory = TrimHistory(history, _maxHistoryTokens);

        var prompt = BuildPrompt(context, relevantHistory, newQuery);

        return await _llm.GenerateAsync(prompt);
    }

    private List<ConversationTurn> TrimHistory(
        List<ConversationTurn> history,
        int maxTokens)
    {
        var trimmed = new List<ConversationTurn>();
        var currentTokens = 0;

        // Keep most recent turns
        foreach (var turn in history.Reverse())
        {
            var turnTokens = EstimateTokens(turn.Query) + EstimateTokens(turn.Response);

            if (currentTokens + turnTokens <= maxTokens)
            {
                trimmed.Insert(0, turn);
                currentTokens += turnTokens;
            }
            else
            {
                break;
            }
        }

        return trimmed;
    }
}
```

### 4. Tokenin kustannusoptimointi

API-pohjainen LLM-maksu per rahake. RAG voi räjähtää kustannuksia, jos ei ole varovainen:

```csharp
public class CostAwareRAG
{
    // OpenAI GPT-4 pricing (example):
    // Input: $0.03 per 1K tokens
    // Output: $0.06 per 1K tokens

    public decimal EstimateQueryCost(
        int systemPromptTokens,
        int retrievedContextTokens,
        int queryTokens,
        int expectedResponseTokens)
    {
        var inputTokens = systemPromptTokens + retrievedContextTokens + queryTokens;
        var outputTokens = expectedResponseTokens;

        var inputCost = (inputTokens / 1000m) * 0.03m;
        var outputCost = (outputTokens / 1000m) * 0.06m;

        return inputCost + outputCost;
    }

    // Example:
    // System: 300 tokens
    // Context: 3000 tokens (10 retrieved docs)
    // Query: 50 tokens
    // Response: 500 tokens
    //
    // Cost = ((300 + 3000 + 50) / 1000 * 0.03) + (500 / 1000 * 0.06)
    //      = (3350 / 1000 * 0.03) + (500 / 1000 * 0.06)
    //      = $0.1005 + $0.03
    //      = $0.1305 per query
    //
    // At 1000 queries/day = $130/day = $3,900/month!
}
```

**Kustannusten vähentämisstrategiat:**

1. Hae vähemmän ja parempiarvoisempia asiakirjoja
2. Käytä pikaista välimuistia (Antropical Claude: 90 % halvempi välimuistissa)
3. Käyttää halvempia malleja uudelleen paremmuusjärjestykseen, kalliita lopulliseen sukupolveen
4. Purista kontekstia yhteenvetoa käyttäen

## Tokens visualisoi kokonaisen aluekaavion

Näin poletit, KV-kätköt ja RAG sopivat yhteen:

```mermaid
flowchart TB
    A[User Query:<br/>'How does Docker work?'<br/>≈ 12 tokens] --> B[Generate Query Embedding]

    B --> C[Vector Search]
    C --> D[Retrieved Docs:<br/>5 docs × 500 tokens<br/>= 2,500 tokens]

    D --> E[Construct Prompt]
    A --> E

    E --> F["Complete Prompt:<br/>System: 300 tokens<br/>Context: 2,500 tokens<br/>Query: 12 tokens<br/>Total: 2,812 tokens"]

    F --> G[Tokenize Prompt]
    G --> H["Token IDs:<br/>[245, 1034, 8829, ...]<br/>2,812 token IDs"]

    H --> I[LLM Layer 1]
    I --> J[Compute K,V]
    J --> K[KV Cache Layer 1:<br/>2,812 K,V pairs]

    I --> L[LLM Layer 2]
    L --> M[Compute K,V]
    M --> N[KV Cache Layer 2:<br/>2,812 K,V pairs]

    L --> O[... Layers 3-32]
    O --> P[Generate Token 1: 'Docker']

    P --> Q[Add to KV Cache]
    Q --> R[Generate Token 2: 'is']
    R --> S[Add to KV Cache]
    S --> T[... until completion]

    T --> U["Response: 'Docker is a containerization platform...'<br/>≈ 400 tokens"]

    style K stroke:#f9f,stroke-width:2px
    style N stroke:#f9f,stroke-width:2px
    style Q stroke:#bbf,stroke-width:2px
    style S stroke:#bbf,stroke-width:2px
```

**Tärkeimmät näkemykset:**

1. **Syöttömerkit** (2.812) käsitellään kerran ensimmäisen KV- välimuistin rakentamisessa
2. **Sukupolvi** tapahtuu yksi kuponki kerrallaan käyttäen uudelleen KV- välimuistia
3. **Jokainen uusi merkki** lisää KV- välimuistiin tulevia kuponkeja varten
4. **VRAM-muisti yhteensä** tarvitaan = Mallipainot + KV- välimuisti kaikille rahakkeille
5. **Pidempi konteksti** = suurempi KV välimuisti = enemmän VRAM-muistia

## Käytännöllisiä vaikutuksia aluetukiin

Tokenien ja KV-välimuistin ymmärtäminen johtaa parempaan RAG-suunnitteluun:

**1. Laske ja tallenna yhteiset kontekstit:**

```csharp
// Cache KV for frequently used system prompts + static context
var cachedSystemContext = await _llm.PrecomputeKVCache(systemPrompt + staticContext);

// Reuse for each query (much faster)
foreach (var query in userQueries)
{
    var response = await _llm.GenerateAsync(query, reuseKVCache: cachedSystemContext);
}
```

**2. Optimoi kokojen rajat:**

```csharp
// Bad: Arbitrary 500-character chunks
var chunks = text.Chunk(500);

// Good: Chunk on sentence boundaries, measure in tokens
public List<string> ChunkByTokens(string text, int maxTokensPerChunk)
{
    var sentences = SplitIntoSentences(text);
    var chunks = new List<string>();
    var currentChunk = new StringBuilder();
    var currentTokens = 0;

    foreach (var sentence in sentences)
    {
        var sentenceTokens = EstimateTokens(sentence);

        if (currentTokens + sentenceTokens > maxTokensPerChunk && currentTokens > 0)
        {
            chunks.Add(currentChunk.ToString());
            currentChunk.Clear();
            currentTokens = 0;
        }

        currentChunk.Append(sentence).Append(" ");
        currentTokens += sentenceTokens;
    }

    if (currentTokens > 0)
        chunks.Add(currentChunk.ToString());

    return chunks;
}
```

**3. Seuraa kuvankäyttöä tuotannossa:**

```csharp
public class RAGTelemetry
{
    public void LogRAGQuery(
        string query,
        List<SearchResult> retrievedDocs,
        string response)
    {
        var queryTokens = EstimateTokens(query);
        var contextTokens = retrievedDocs.Sum(d => EstimateTokens(d.Text));
        var responseTokens = EstimateTokens(response);
        var totalTokens = queryTokens + contextTokens + responseTokens;

        _logger.LogInformation(
            "RAG Query: {Query} | Context: {ContextTokens} tokens from {DocCount} docs | " +
            "Response: {ResponseTokens} tokens | Total: {TotalTokens} tokens",
            query, contextTokens, retrievedDocs.Count, responseTokens, totalTokens
        );

        // Alert if approaching context limit
        if (totalTokens > _maxTokens * 0.9)
        {
            _logger.LogWarning("Approaching token limit: {TotalTokens}/{MaxTokens}",
                totalTokens, _maxTokens);
        }
    }
}
```

# Johtopäätös: Arkkitehtuurin mastery

Olemme käsitelleet RAG-järjestelmien täydellisen teknisen arkkitehtuurin:

**Vaihe 1: Indeksointi**

- Tekstin poiminta eri lähteistä
- Nuuskimisstrategiat (osapohjainen, lausepohjainen, päällekkäinen)
- Upotustuotanto (ONNX, API-palvelut)
- Vektorivarasto (Qdrant, pgvector, Pinecone)

**Vaihe 2: nouto**

- Kysely upotetaan (sama malli kuin indeksointi!)
- Samankaltaisuushaku (kosiini, euklidinen, pistetuote)
- Valinnainen uudelleenasettelu paremman tarkkuuden saavuttamiseksi
- Metatietojen suodatus tarkennettuja tuloksia varten

**Vaihe 3: Sukupolvi**

- Nopea rakentaminen (konteksti + ohjeet + kysely)
- LLM-päätelmä (lämpötila, top-p, max tokenes)
- Jälkikäsittely (sidontauutto, muotoilu)

**LLM:n sisätilat**

- Tokens: Perusyksiköt (ei merkkejä!)
- KV Cache: Miksi sukupolvi on nopea (lineaarinen, ei quadratic)
- Kontekstiikkunat: Tunnusten raja-arvojen hallinta aluetukialueilla
- Kustannusten optimointi: Välimuisti, pakkaus, älykäs nouto

**Tärkeimmät tekniset oivallukset:**

1. **Sama upotettava malli** indeksointi ja noutaminen (kriittinen!)
2. **Huutelulla on enemmän merkitystä kuin luuletkaan** - säilyttää semanttisen johdonmukaisuuden
3. **Uudelleenjärjestäminen parantaa tarkkuutta** latenssin hinnalla
4. **Tokenin johtaminen on olennaista** - arvio ennen kyselyä
5. **KV:n välimuisti tekee RAG:stä käyttökelpoisen** - uusiokäyttö nopeat laskelmat
6. **Kontekstiikkunat täyttyvät nopeasti** - 10 docs × 500 tokens = 5K tokens

# Jatka osan 3: RAG käytännössä

Ymmärrät nyt **RAG:n toiminta** Teknisellä tasolla, mutta teorialla päästään vain tähän asti. Miten näitä järjestelmiä oikeasti rakennetaan? Mitä haasteita kohtaat? Mitä kehittyneitä tekniikoita voit käyttää?

Sisään **[Osa 3: Aluetuki käytännössä](/blog/rag-practical-applications)**Siirrymme arkkitehtuurista toteutukseen:

**Reaalimaailman sovellukset:**

- Related posts Recommendation on this blog
- Semanttinen blogihaku
- "Lakimies GPT" -kirjoitusavustajan rakentaminen

**Yhteiset haasteet ja ratkaisut:**

- Kontekstin säilyttävät nuuskimisstrategiat
- Oman alueen laadun parantaminen
- Konteksti-ikkunoiden hallinta dynaamisesti
- Hallusinaatioiden ehkäiseminen asiayhteydestä huolimatta
- Hakemiston pitäminen ajan tasalla

**Kehittyneet tekniikat:**

- Hypoteettinen asiakirja Upotukset (HyDE)
- Itsevalitus LLM-korjatuilla suodattimilla
- Moniosainen aluetukialue kattaville tuloksille
- Kontekstillinen kompressio poletin käytön vähentämiseksi
- Multi-hop-alue monimutkaisia kyselyitä varten
- Pitkän aikavälin keskustelumuisti

**Aloittaminen:**

- Viikkokohtainen toteutussuunnitelma
- Käytännöllisiä koodiesimerkkejä
- Optimointistrategiat
- Kun EI saa käyttää RAG-ohjelmaa

**[Jatka kohtaan 3: RAG käytännössä →](/blog/rag-practical-applications)**

## Resurssit

**Peruskirjat:**

- [Hakijasukupolvea osaamisintensiivisille NLP-tehtäville](https://arxiv.org/abs/2005.11401) - Alkuperäinen RAG-lehti
- [Ankkuripassin hakeminen avoimelle verkkokyselyvastaukselle](https://arxiv.org/abs/2004.04906) - DPR-säätiö
- [Huomio on kaikki, mitä tarvitset](https://arxiv.org/abs/1706.03762) - Muuntajat

**Työkalut ja puitteet:**

- [Qdrant](https://qdrant.tech/) - Vektoritietokanta
- [ONNX-ajoaika](https://onnxruntime.ai/) - Paikalliset upotukset
- [LLAMASharp](https://github.com/SciSharp/LLamaSharp) - Paikallinen LLM-päätelmä
- [Tuomionvaihtajat](https://www.sbert.net/) - Upotettavat mallit

**Lue lisää:**

- [Antropistinen: Kontekstihaku](https://www.anthropic.com/index/contextual-retrieval) - Kehittyneet tekniikat

**Sarjanavigointi:**

- [Osa 1: Alkuperä ja perusasiat](/blog/rag-primer) - Historia ja motivaatio
- **Osa 2: Arkkitehtuuri ja sisätilat** (tämä artikkeli) - Tekninen syväsukellus
- [Osa 3: Aluetuki käytännössä](/blog/rag-practical-applications) - Todellisten järjestelmien rakentaminen

**[Jatka kohtaan 3 →](/blog/rag-practical-applications)**