Sisään Osa 1 sekä 2 osa Tästä sarjasta käsittelimme RAG:n alkuperää, perusasioita ja teknistä arkkitehtuuria. Ymmärrät, mikä RAG on, miksi sillä on merkitystä ja miten se toimii konepellin alla. Nyt on aika toteuttaa tämä tieto käytännössä. Tässä artikkelissa näytetään, miten rakennetaan todellisia RAG-järjestelmiä, joissa käytetään C#-koodia, ratkaistaan yhteisiä haasteita ja hyödynnetään viimeaikaisen tutkimuksen kehittyneitä tekniikoita.
Sarjan navigaatio: Tämä on aluetukisuuntaviivojen 3 osa:
Jos et ole lukenut osia 1 ja 2, suosittelen, että aloitat sen ymmärtämisen:
Tässä artikkelissa oletetaan, että ymmärrät nämä perusasiat ja keskityt toteutus, optimointi ja reaaliaikaiset kuviot.
Olen rakentanut blogiin useita RAG-käyttöisiä ominaisuuksia. Näytän konkreettisia esimerkkejä.
Jokainen blogikirjoitus voi näyttää "Related Posts" käyttäen semanttista samankaltaisuutta.
Miten se toimii:
Miksi se on parempi kuin tagit:
Koodin näppäily:
public async Task<List<SearchResult>> GetRelatedPostsAsync(
string currentPostSlug,
string language,
int limit = 5)
{
// Get the current post's embedding
var currentPost = await _vectorStore.GetByIdAsync(currentPostSlug);
if (currentPost == null)
return new List<SearchResult>();
// Find similar posts
var similarPosts = await _vectorStore.SearchAsync(
currentPost.Embedding,
limit: limit + 1, // +1 because result includes the current post
filter: new Filter
{
Must =
{
new Condition
{
Field = "language",
Match = new Match { Keyword = language }
}
},
MustNot =
{
new Condition
{
Field = "slug",
Match = new Match { Keyword = currentPostSlug }
}
}
}
);
return similarPosts.Take(limit).ToList();
}
Tämän blogin hakulaatikossa käytetään RAG-tyylistä semanttista hakua (vaikkakin ilman sukupolven osaa - se on vain hakua).
Käyttäjäkokemus:
Täytäntöönpano: Käsittelen asiaa tulevassa vektoritietokantojen artikkelissa.
Rakennan täydellistä RAG-järjestelmää, joka auttaa minua kirjoittamaan uusia blogikirjoituksia.
Käyttötapaus: Kun alan kirjoittaa ASP.NET Coreen lisävarmennuksesta, järjestelmä:
Täysi RAG-putki:
public async Task<WritingAssistanceResponse> GetSuggestionsAsync(
string currentDraft,
string topic)
{
// 1. Embed the current draft
var draftEmbedding = await _embeddingService.GenerateEmbeddingAsync(
currentDraft
);
// 2. Retrieve related past content
var relatedPosts = await _vectorStore.SearchAsync(
draftEmbedding,
limit: 5
);
// 3. Build context for LLM
var prompt = BuildWritingAssistancePrompt(
currentDraft,
topic,
relatedPosts
);
// 4. Generate suggestions using local LLM
var suggestions = await _llmService.GenerateAsync(prompt);
// 5. Extract and format citations
var response = ExtractCitations(suggestions, relatedPosts);
return response;
}
Tämä on RAG in Action -haku (semanttinen haku) + advancation (lisää asiayhteys) + generation (LLM:n ehdotukset).
Rakennustuotannon RAG-järjestelmät eivät ole vähäpätöisiä. Tässä on haasteita, joihin olen törmännyt ja miten ne ratkaistaan.
Ongelma: Miten asiakirjat jaetaan? Liian pieni = asiayhteyden menetys. Liian suuri = epäolennainen tieto.
Ratkaisu: Hybridipoiminta perustuu asiakirjarakenteeseen.
public class SmartChunker
{
public List<Chunk> ChunkDocument(string markdown, string sourceId)
{
var chunks = new List<Chunk>();
// Parse markdown into sections
var document = Markdown.Parse(markdown);
var sections = ExtractSections(document);
foreach (var section in sections)
{
var wordCount = CountWords(section.Content);
if (wordCount < MinChunkSize)
{
// Merge small sections
MergeWithPrevious(chunks, section);
}
else if (wordCount > MaxChunkSize)
{
// Split large sections
var subChunks = SplitSection(section);
chunks.AddRange(subChunks);
}
else
{
// Just right
chunks.Add(CreateChunk(section, sourceId));
}
}
return chunks;
}
}
Parhaita käytäntöjä:
Ongelma: Yleiset upotettavat mallit eivät välttämättä vangitse domain-kohtaisia semantiikkaa.
Ratkaisut:
Vaihtoehto 1: Hienosäädöt (edistynyt)
# Using sentence-transformers in Python
from sentence_transformers import SentenceTransformer, InputExample, losses
model = SentenceTransformer('all-MiniLM-L6-v2')
# Create training examples from your domain
train_examples = [
InputExample(texts=['Docker Compose', 'container orchestration'], label=0.9),
InputExample(texts=['Entity Framework', 'ORM database'], label=0.9),
InputExample(texts=['Docker', 'apple fruit'], label=0.1)
]
# Fine-tune
train_dataloader = DataLoader(train_examples, shuffle=True, batch_size=16)
train_loss = losses.CosineSimilarityLoss(model)
model.fit(train_objectives=[(train_dataloader, train_loss)], epochs=1)
Vaihtoehto 2: Hybridikytkennät (yhdistetään useita malleja)
public async Task<float[]> GenerateHybridEmbeddingAsync(string text)
{
var semantic = await _semanticModel.GenerateEmbeddingAsync(text);
var keyword = await _keywordModel.GenerateEmbeddingAsync(text);
// Concatenate or weighted average
return CombineEmbeddings(semantic, keyword);
}
Vaihtoehto 3: Lisää metatietojen suodatus
var results = await _vectorStore.SearchAsync(
queryEmbedding,
limit: 10,
filter: new Filter
{
Must =
{
new Condition { Field = "category", Match = new Match { Keyword = "ASP.NET" } },
new Condition { Field = "date", Range = new Range { Gte = "2024-01-01" } }
}
}
);
Ongelma: LLM:illä on nimelliset raja-arvot. Miten sovit kyselyyn + kontekstiin + pikaiseen ikkunaan?
Ratkaisu: Dynaaminen kontekstin valinta ja yhteenveto.
public string BuildContextAwarePrompt(
string query,
List<SearchResult> retrievedDocs,
int maxTokens = 4096)
{
var promptTemplate = GetPromptTemplate();
var queryTokens = CountTokens(query);
var templateTokens = CountTokens(promptTemplate);
// Reserve tokens for: prompt + query + response
var availableForContext = maxTokens - queryTokens - templateTokens - 500; // 500 for response
// Add context until we hit limit
var selectedContext = new List<SearchResult>();
var currentTokens = 0;
foreach (var doc in retrievedDocs.OrderByDescending(d => d.Score))
{
var docTokens = CountTokens(doc.Text);
if (currentTokens + docTokens <= availableForContext)
{
selectedContext.Add(doc);
currentTokens += docTokens;
}
else
{
// Try summarizing the doc if it's important
if (doc.Score > 0.85)
{
var summary = await SummarizeAsync(doc.Text, maxTokens: 200);
var summaryTokens = CountTokens(summary);
if (currentTokens + summaryTokens <= availableForContext)
{
selectedContext.Add(new SearchResult
{
Text = summary,
Title = doc.Title,
Score = doc.Score
});
currentTokens += summaryTokens;
}
}
}
}
return FormatPrompt(query, selectedContext);
}
Ongelma: Jopa asiayhteydestä huolimatta LLM:t joskus sivuuttavat sen ja hallusinoivat.
Ratkaisut:
1. Nopea insinööritaito:
var systemPrompt = @"
You are a technical assistant.
CRITICAL RULES:
1. ONLY use information from the provided CONTEXT sections
2. If the context doesn't contain the answer, say 'I don't have enough information in the provided context to answer that'
3. DO NOT use your training data to supplement answers
4. Always cite the source using [1], [2] notation
5. If you're unsure, say so
CONTEXT:
{context}
QUESTION: {query}
ANSWER (following all rules above):
";
2. Sukupolven jälkeinen validointi:
public async Task<bool> ValidateResponseAgainstContext(
string response,
List<SearchResult> context)
{
// Check if response contains claims not in context
var responseSentences = SplitIntoSentences(response);
foreach (var sentence in responseSentences)
{
var isSupported = await IsClaimSupportedByContext(sentence, context);
if (!isSupported)
{
_logger.LogWarning("Hallucination detected: {Sentence}", sentence);
return false;
}
}
return true;
}
3. Iteratiivinen hiominen:
public async Task<string> GenerateWithValidationAsync(
string query,
List<SearchResult> context,
int maxAttempts = 3)
{
for (int attempt = 0; attempt < maxAttempts; attempt++)
{
var response = await _llm.GenerateAsync(
BuildPrompt(query, context)
);
var isValid = await ValidateResponseAgainstContext(response, context);
if (isValid)
return response;
// Refine prompt for next attempt
query = $"{query}\n\nPrevious attempt hallucinated. Stick strictly to the context.";
}
return "I couldn't generate a reliable answer. Please rephrase your question.";
}
Ongelma: Kun lisäät uusia asiakirjoja, vektoritietokannan on pysyttävä ajankohtaisena.
Ratkaisu: Automaattinen indeksointiputki.
public class BlogIndexingBackgroundService : BackgroundService
{
private readonly IVectorStoreService _vectorStore;
private readonly IMarkdownService _markdownService;
private readonly ILogger<BlogIndexingBackgroundService> _logger;
protected override async Task ExecuteAsync(CancellationToken stoppingToken)
{
while (!stoppingToken.IsCancellationRequested)
{
try
{
await IndexNewPostsAsync(stoppingToken);
// Check for updates every hour
await Task.Delay(TimeSpan.FromHours(1), stoppingToken);
}
catch (Exception ex)
{
_logger.LogError(ex, "Error in indexing service");
}
}
}
private async Task IndexNewPostsAsync(CancellationToken ct)
{
var allPosts = await _markdownService.GetAllPostsAsync();
foreach (var post in allPosts)
{
var existingDoc = await _vectorStore.GetByIdAsync(post.Slug);
// Check if content changed
var currentHash = ComputeHash(post.Content);
if (existingDoc == null || existingDoc.ContentHash != currentHash)
{
_logger.LogInformation("Indexing updated post: {Title}", post.Title);
var chunks = _chunker.ChunkDocument(post.Content, post.Slug);
foreach (var chunk in chunks)
{
var embedding = await _embeddingService.GenerateEmbeddingAsync(chunk.Text);
await _vectorStore.UpsertAsync(
id: $"{post.Slug}_{chunk.Index}",
embedding: embedding,
metadata: new Dictionary<string, object>
{
["slug"] = post.Slug,
["title"] = post.Title,
["chunk_index"] = chunk.Index,
["content_hash"] = currentHash
},
ct: ct
);
}
}
}
}
}
Tutkitaan tuoreen tutkimuksen huippuluokan RAG-tekniikoita.
Ongelma: Käyttäjäkyselyt ovat usein lyhyitä ja huonosti laadittuja. Asiakirjan kappaleet ovat yksityiskohtaisia ja hyvin kirjoitettuja.
Ratkaisu: Luo hypoteettinen ihanteellinen asiakirja, joka vastaisi kyselyyn, upottaisi sen ja etsisi sitten.
public async Task<List<SearchResult>> HyDESearchAsync(string query)
{
// Generate hypothetical answer (even if hallucinated)
var hypotheticalAnswer = await _llm.GenerateAsync($@"
Write a detailed, technical paragraph that would perfectly answer this question:
Question: {query}
Paragraph:"
);
// Embed the hypothetical answer
var embedding = await _embeddingService.GenerateEmbeddingAsync(
hypotheticalAnswer
);
// Search using this embedding
return await _vectorStore.SearchAsync(embedding);
}
Miksi se toimii: Hypoteettisessa vastauksessa käytetään samaa kieltä ja rakennetta kuin varsinaisissa asiakirjoissa, mikä parantaa hakua.
Ongelma: Käyttäjäkyselyt usein sekoittavat semanttisen haun metatietosuodattimiin.
Esimerkki: "Viimeisimmät viestit Dockerista" = semanttinen("Docker") + suodatin(päivämäärä > 2024-01-01)
Ratkaisu: Käytä LLM:ää yhdistääksesi kyselyn semanttisiin + metatietosuodattimiin.
public async Task<SearchQuery> ParseSelfQueryAsync(string naturalLanguageQuery)
{
var parsingPrompt = $@"
Parse this search query into:
1. Semantic search query (what the user is looking for)
2. Metadata filters (category, date range, etc.)
User Query: {naturalLanguageQuery}
Output JSON:
{{
""semantic_query"": ""the core concept"",
""filters"": {{
""category"": ""...",
""date_after"": ""..."",
""date_before"": ""...""
}}
}}
";
var jsonResponse = await _llm.GenerateAsync(parsingPrompt);
var parsed = JsonSerializer.Deserialize<SearchQuery>(jsonResponse);
return parsed;
}
// Use parsed query
var parsedQuery = await ParseSelfQueryAsync("Recent ASP.NET posts about authentication");
// semantic_query: "authentication"
// filters: { category: "ASP.NET", date_after: "2024-01-01" }
var results = await _vectorStore.SearchAsync(
embedding: await _embeddingService.GenerateEmbeddingAsync(parsedQuery.SemanticQuery),
filter: BuildFilter(parsedQuery.Filters)
);
Ongelma: Yksikin kysely voi jäädä pois asian kannalta merkityksellisistä asiakirjoista sanaston vuoksi.
Ratkaisu: Luo kyselyn useita variaatioita, etsi kaikkien kanssa ja yhdistä tulokset.
public async Task<List<SearchResult>> MultiQuerySearchAsync(string query)
{
// Generate query variations
var variations = await _llm.GenerateAsync($@"
Generate 3 different ways to phrase this search query:
Original: {query}
Variations (one per line):
");
var queries = variations.Split('\n', StringSplitOptions.RemoveEmptyEntries)
.Prepend(query) // Include original
.ToList();
// Search with all variations
var allResults = new List<SearchResult>();
foreach (var q in queries)
{
var embedding = await _embeddingService.GenerateEmbeddingAsync(q);
var results = await _vectorStore.SearchAsync(embedding, limit: 10);
allResults.AddRange(results);
}
// Deduplicate and merge scores
var merged = allResults
.GroupBy(r => r.Id)
.Select(g => new SearchResult
{
Id = g.Key,
Text = g.First().Text,
Title = g.First().Title,
Score = g.Max(r => r.Score) // Take best score
})
.OrderByDescending(r => r.Score)
.ToList();
return merged;
}
Ongelma: Palautetut kappaleet sisältävät epäolennaista tietoa.
Ratkaisu: Käytä pienempää LLM:ää pakataksesi noudetun kontekstin vain tärkeisiin osiin.
public async Task<string> CompressContextAsync(
string query,
List<SearchResult> retrievedDocs)
{
var compressed = new List<string>();
foreach (var doc in retrievedDocs)
{
var compressionPrompt = $@"
Extract only the sentences from this document that are relevant to answering the question.
Question: {query}
Document:
{doc.Text}
Relevant excerpts (maintain original wording):
";
var relevantExcerpt = await _smallLLM.GenerateAsync(compressionPrompt);
if (!string.IsNullOrWhiteSpace(relevantExcerpt))
{
compressed.Add($"From '{doc.Title}':\n{relevantExcerpt}");
}
}
return string.Join("\n\n", compressed);
}
Ongelma: Monimutkaiset kysymykset vaativat tietoa useasta lähteestä, jotka on kytkettävä toisiinsa.
Esimerkki: "Mitä tietokantaa blogissa käytetään ja miten semanttinen haku toteutetaan?"
Ratkaisu: Iteratiivinen haku ja synteesi.
public async Task<string> MultiHopRAGAsync(string complexQuery, int maxHops = 3)
{
var currentQuery = complexQuery;
var allContext = new List<SearchResult>();
for (int hop = 0; hop < maxHops; hop++)
{
// Retrieve for current query
var results = await SearchAsync(currentQuery, limit: 5);
allContext.AddRange(results);
// Check if we have enough information
var synthesisPrompt = $@"
Original question: {complexQuery}
Context so far:
{FormatContext(allContext)}
Can you answer the original question with this context?
If yes, provide the answer.
If no, what additional information do you need? (be specific)
";
var synthesis = await _llm.GenerateAsync(synthesisPrompt);
if (synthesis.Contains("yes", StringComparison.OrdinalIgnoreCase))
{
// We have enough information
return ExtractAnswer(synthesis);
}
// Extract what we need for next hop
currentQuery = ExtractNextQuery(synthesis);
}
// Final synthesis with all gathered context
return await GenerateFinalAnswerAsync(complexQuery, allContext);
}
Ongelma: Miten rakentaa tekoälyjärjestelmiä, jotka muistavat kuukausia tai vuosia sitten käydyt keskustelut? Perinteiset chatbotit menettävät asiayhteyden jokaisen istunnon jälkeen.
Ratkaisu: Yhdistä RAG progressiiviseen tiivistelmään, jotta voit luoda itsepintaisen, hakukelpoisen muistin.
Tämä on lähestymistapa, jota käytetään DiSE (Directed Synthetic Evolution) - kehittyneen järjestelmän, jota rakennan ja joka käyttää RAG-pohjaista kontekstimuistia ylläpitääkseen yhteistä keskusteluhistoriaa loputtomiin.
Esimerkki:
User (Today): "Remember George's specs?"
AI: "Yes, you discussed George's prescription requirements in our conversation
from 5 years ago (2019-03-15). He needed progressive lenses with..."
Miten se toimii:
flowchart TB
A[User Message] --> B[Store in RAG Memory]
B --> C[Extract Key Entities & Topics]
C --> D[Link to Past Conversations]
E[Periodic Summarization] --> F[Summarize Old Conversations]
F --> G[Store Summary with High-Level Tags]
G --> H[Keep Original for Retrieval]
I[Future Query: 'George's specs'] --> J[Semantic Search in RAG]
J --> K[Find: 2019 conversation]
K --> L[Retrieve Original Context]
L --> M[LLM generates response with 5-year-old context!]
style B stroke:#f9f,stroke-width:3px
style J stroke:#bbf,stroke-width:3px
Täytäntöönpanoon perustuva lähestymistapa:
public class LongTermConversationalMemory
{
private readonly IVectorStoreService _vectorStore;
private readonly IEmbeddingService _embeddingService;
public async Task StoreConversationAsync(
string conversationId,
string userId,
List<ConversationTurn> turns,
DateTime timestamp)
{
// Extract key entities and topics
var entities = await ExtractEntitiesAsync(turns);
var topics = await ExtractTopicsAsync(turns);
// Create searchable representation
var conversationText = string.Join("\n", turns.Select(t =>
$"{t.Speaker}: {t.Message}"));
// Generate embedding
var embedding = await _embeddingService.GenerateEmbeddingAsync(
conversationText);
// Store in RAG with rich metadata
await _vectorStore.IndexDocumentAsync(
id: $"conv_{conversationId}",
embedding: embedding,
metadata: new Dictionary<string, object>
{
["user_id"] = userId,
["timestamp"] = timestamp.ToString("O"),
["entities"] = entities, // ["George", "specs", "prescription"]
["topics"] = topics, // ["healthcare", "eyewear"]
["full_text"] = conversationText,
["turn_count"] = turns.Count
}
);
}
public async Task<List<PastContext>> RetrieveRelevantPastAsync(
string currentQuery,
string userId,
int limit = 5)
{
// Embed the current query
var queryEmbedding = await _embeddingService.GenerateEmbeddingAsync(
currentQuery);
// Search past conversations
var results = await _vectorStore.SearchAsync(
queryEmbedding,
limit: limit,
filter: new Filter
{
Must =
{
new Condition { Field = "user_id", Match = new Match { Keyword = userId } }
}
}
);
return results.Select(r => new PastContext
{
ConversationId = r.Id,
Timestamp = DateTime.Parse(r.Metadata["timestamp"].ToString()),
Entities = (List<string>)r.Metadata["entities"],
FullText = r.Metadata["full_text"].ToString(),
Relevance = r.Score
}).ToList();
}
// Periodic summarization to keep memory manageable
public async Task SummarizeOldConversationsAsync(DateTime olderThan)
{
var oldConversations = await _vectorStore.FindByDateRangeAsync(
endDate: olderThan);
foreach (var conv in oldConversations)
{
// Generate summary using LLM
var summary = await _llm.GenerateAsync($@"
Summarize this conversation, preserving key facts and entities:
{conv.FullText}
Summary:");
// Update document with summary while keeping original
await _vectorStore.UpdateAsync(
id: conv.Id,
additionalMetadata: new Dictionary<string, object>
{
["summary"] = summary,
["summarized_at"] = DateTime.UtcNow.ToString("O")
}
);
}
}
}
Miksi tämä on voimakas:
Oikean maailman esimerkki DiSE:stä:
DiSE käyttää tätä lähestymistapaa muistaakseen:
Tämä luo tekoälyjärjestelmän, joka aidosti "oppii" jokaisesta vuorovaikutuksesta ja rakentaa institutionaalista muistia sen sijaan, että aloittaisi jokaisen istunnon uudelleen.
Harkittavia haasteita:
Tämä tekniikka muuttaa RAG:n "tutkia asiakirjojani" "muistaa kaiken, mitä olemme koskaan keskustelleet" - pitkän aikavälin tekoälyavustajien pelinvaihtajaksi.
RAG ei aina ole vastaus.
1. Yleistietoa koskevat kysymykset
2. Luova kirjoitus
3. Reaaliaikaiset tietotarpeet
4. Matemaattinen päättely
5. Hyvin pienet tietopohjat
6. Kun hallitset LLM:n harjoittelua
Haluatko rakentaa oman RAG-järjestelmän? Tässä on askel askeleelta.
Tavoite: Hanki perusrekrytointi ilman LLM:ää.
// 1. Choose an embedding service (start with API for simplicity)
var openAI = new OpenAIClient(apiKey);
// 2. Embed a few test documents
var docs = new[]
{
"Docker is a containerization platform",
"Kubernetes orchestrates containers",
"Entity Framework is an ORM for .NET"
};
var embeddings = new List<float[]>();
foreach (var doc in docs)
{
var response = await openAI.GetEmbeddingsAsync(
new EmbeddingsOptions("text-embedding-3-small", new[] { doc })
);
embeddings.Add(response.Value.Data[0].Embedding.ToArray());
}
// 3. Implement basic search (in-memory for now)
var query = "container orchestration";
var queryEmbedding = await GetEmbeddingAsync(query);
var results = embeddings
.Select((emb, idx) => new
{
Text = docs[idx],
Score = CosineSimilarity(queryEmbedding, emb)
})
.OrderByDescending(r => r.Score)
.ToList();
// 4. Verify search works
foreach (var result in results)
{
Console.WriteLine($"{result.Score:F3}: {result.Text}");
}
// Expected: Kubernetes scores highest
Tavoite: Skaalaa oikeat dokumenttikokoelmat.
Seuraavat täytäntöönpanovaiheet:
Käsittelen asiaa yksityiskohtaisesti tulevassa vektoritietokantoja käsittelevässä artikkelissa.
Tavoite: Suorita RAG-putki.
// 1. Retrieve context
var context = await SearchAsync(query, limit: 3);
// 2. Build prompt
var prompt = $@"
Answer the question using this context:
{FormatContext(context)}
Question: {query}
Answer:";
// 3. Generate (start with API)
var response = await openAI.GetChatCompletionsAsync(new ChatCompletionsOptions
{
Messages =
{
new ChatMessage(ChatRole.System, "You are a helpful assistant."),
new ChatMessage(ChatRole.User, prompt)
},
Temperature = 0.7f,
MaxTokens = 500
});
return response.Value.Choices[0].Message.Content;
Kun perusasiat toimivat, siirry paikalliseen johtopäätökseen (käsitän tämän tulevissa artikkeleissa):
RAG (Retrieval-Augmented Generation) on tehokas tekniikka, jolla LLM:t saadaan tarkemmiksi, ajanmukaisemmiksi ja luotettavammiksi asettamalla vastaukset oikeisiin asiakirjoihin. Sen sijaan, että ne luottaisivat pelkästään mallin koulutustietoihin, RAG-järjestelmät:
Aluetukisuuntaviivojen keskeiset edut:
Milloin RAG:tä käytetään:
Milloin vältät RAG:n:
Kenttä kehittyy nopeasti kehittyneillä tekniikoilla, kuten HyDE:llä, moniquery-haulla ja kontekstikomplikaatiolla, mutta ydinkonsepti on edelleen yksinkertainen: LLM:n on saatava oikea tieto oikeaan aikaan.
Aloittaa yksinkertainen, mitata tuloksia ja iteroida. RAG on yksi käytännöllisimmistä tavoista rakentaa luotettavia tekoälyjärjestelmiä nykyään.
Olet nyt saanut päätökseen kolmiosaisen RAG-sarjan:
Osa 2: Arkkitehtuuri ja sisätilat
Osa 3: Aluetuki käytännössä (tämä artikkeli)
Sinulla on nyt koko kuva: RAG:n alkuperän ymmärtämisestä edistyneillä optimoinneilla varustettuihin rakennustuotantojärjestelmiin.
Nyt kun ymmärrät RAG:n teoriasta käytäntöön, tulevat artikkelit näyttävät, miten voit rakentaa täydelliset, tuotantovalmiit RAG-järjestelmät C#:ksi:
Tulossa pian:
Nämä artikkelit vievät sinut teoriasta käytäntöön, jossa on täydelliset työkoodit, käyttöönottostrategiat ja reaalimaailman optimoinnit, jotka perustuvat näiden järjestelmien pyörittämiseen tuotannossa tässä blogissa.
Pysy kuulolla, kun näet käytännön toteutusoppaita, jotka muuttavat tämän RAG-tiedon työjärjestelmiksi!
Peruskirjat:
Työkalut ja puitteet:
Lue lisää:
Tämä aluetukisuuntaviivojen sarja:
Iloinen rakennus!
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.