Sisään Osa 1Käsittelimme 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.
Sarjan navigaatio: Tämä on aluetukisuuntaviivojen 2 osa:
Jos et ole lukenut osaa 1, suosittelen, että aloitat sen ymmärtämisen:
Tässä artikkelissa oletetaan, että ymmärrät nämä perusasiat ja keskityt tekninen arkkitehtuuri, toteutustiedot ja LLM-sisätilat.
Puretaan tarkkaan, mitä RAG-järjestelmässä tapahtuu, siitä hetkestä, kun lisäät asiakirjan, siihen, kun käyttäjä saa vastauksen.
Ennen kuin RAG voi hakea mitään, sinun on indeksoitava tietopohjasi. Tämä on kertaluonteinen prosessi (joskin voit lisätä uusia asiakirjoja myöhemmin).
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
Poista selkeä teksti lähdeasiakirjoistasi. Tämä voi olla:
Esimerkki blogistani:
// 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();
}
Tässä suurin osa RAG:n toteutuksista epäonnistuu. Kappalerajaa ei voi vain jakaa, vaan tarvitaan semanttisesti johdonmukaisia kappaleita.
Miksi paloittelulla on merkitystä:
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:
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:
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:
Esimerkki ONNX-yhdistämispalvelustani:
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.
Vektoritietokannat optimoidaan suuriulotteisten vektorien tallentamiseen ja etsimiseen. Toisin kuin perinteiset SQL-kyselyitä käyttävät tietokannat, vektoritietokannat käyttävät samankaltaisuushakua.
Avaintoiminnot:
Esimerkki Qdrantin täytäntöönpanosta:
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:
Tutustumme näiden tietokantojen perustamiseen tulevissa artikkeleissa.
Kun käyttäjä esittää kysymyksen, RAG-järjestelmän on löydettävä tietopohjan tärkeimmät tiedot.
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
Käyttäjän kysymys muunnetaan vektoriksi käyttäen sama upotusmalli Käytetään indeksointiin. Tämä on tärkeää - eri mallit tuottavat yhteensopimattomia vektoreita.
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;
}
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:
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();
Alkuperäinen haku on nopea mutta likimääräinen. Uudelleen rankingissa käytetään hienostuneempaa mallia, jonka avulla K-huipputulokset voidaan laskea uudelleen.
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:
Esimerkki täytäntöönpanon uudelleenjärjestämisestä:
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();
}
Nyt kun meillä on merkityksellistä tietoa, syötämme sen LLM:lle käyttäjän kysymyksen mukana.
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
Tässä kohtaa RAG:stä tulee taidetta. Sinun on rakennettava pikavippi niin, että LLM:
Esimerkki nopeasta mallista asianajajani GPT-järjestelmästä:
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();
}
Rakennettu pikavippi menee LLM:lle sukupolveksi. Tämä voi olla:
Esimerkki paikallisen LLM:n avulla:
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:
LLM:n synnyttämän reaktion jälkeen meidän on usein
Esimerkki jälkikäsittelystä:
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;
}
Ennen kuin siirrymme käytännön sovelluksiin, on tärkeää ymmärtää, miten LLM:t toimivat sisäisesti. Tämä tieto auttaa optimoimaan RAG-järjestelmiä ja välttämään yhteisiä sudenkuoppia.
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:
Miksi aluetukialueilla on merkitystä kuponkivoitolla:
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:
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:
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;
}
}
Kun LLM tuottaa tekstiä, se ei käsittele kaikkea uudelleen tyhjästä jokaiselle rahakkeelle. Avainarvo (KV) välimuisti muistaa, mitä se on jo laskenut.
Transformerit käyttävät "huomiomekanismia", jossa jokainen merkki "tarkkailee" (katsoo) kaikkia aiempia kuponkeja ymmärtääkseen kontekstia.
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:
KV- välimuistilla:
Tämä tekee sukupolvesta rajusti nopeampi - ero 10 poletilla/sekunnilla ja 100 poletilla/sekunnilla.
KV:n välimuisti muodostaa "puun", koska se toimii muuntajissa. Mallin jokaisella kerroksella on omat K,V-matriisensa.
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:
Malli, jossa on
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.
RAG-järjestelmät voivat käyttää KV- välimuistien optimointia ovelasti:
Välimuistin pikainen välimuisti (joidenkin API-rajapintojen, kuten Antropical Clauden, tukemana):
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:
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.
Ymmärryskyltit ja KV:n välimuisti kertovat RAG-arkkitehtuurin päätöksistä:
Pienemmät kappaleet = tarkempi noutaminen, mutta enemmän yläpuolella:
// 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
}
}
Älä maksimoi kontekstiikkunaa - jätä tilaa sukupolvelle:
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
}
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
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;
}
}
API-pohjainen LLM-maksu per rahake. RAG voi räjähtää kustannuksia, jos ei ole varovainen:
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:
Näin poletit, KV-kätköt ja RAG sopivat yhteen:
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:
Tokenien ja KV-välimuistin ymmärtäminen johtaa parempaan RAG-suunnitteluun:
1. Laske ja tallenna yhteiset kontekstit:
// 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:
// 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:
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);
}
}
}
Olemme käsitelleet RAG-järjestelmien täydellisen teknisen arkkitehtuurin:
Vaihe 1: Indeksointi
Vaihe 2: nouto
Vaihe 3: Sukupolvi
LLM:n sisätilat
Tärkeimmät tekniset oivallukset:
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**Siirrymme arkkitehtuurista toteutukseen:
Reaalimaailman sovellukset:
Yhteiset haasteet ja ratkaisut:
Kehittyneet tekniikat:
Aloittaminen:
Jatka kohtaan 3: RAG käytännössä →
Peruskirjat:
Työkalut ja puitteet:
Lue lisää:
Sarjanavigointi:
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.