This is a viewer only at the moment see the article on how this works.
To update the preview hit Ctrl-Alt-R (or ⌘-Alt-R on Mac) or Enter to refresh. The Save icon lets you save the markdown file to disk
This is a preview from the server running through my markdig pipeline
Saturday, 22 November 2025
"डिस्केशन मार्गदर्शन" के लिए खोज की और कुछ भी नहीं मिला, हालांकि वहाँ एक लेख है "व्हेल बनाने के लिए" के बारे में एक लेख के बारे में? ReG (संत्रीय-विडंत्रिंत्रित पीढ़ी) इस समझ से हल करता है, सिर्फ बीजशब्द नहीं। यह आप कैसे ReG आया, के बारे में, यह कैसे DEG आया था, और कैसे BACACACACACACAS से उत्पादन करने के लिए काम करता है।
श्रेणी नेविगेशन: यह RAG का एक भाग है (पुष्टि- अपस्तित पीढ़ी) श्रृंखला:
REG (रिtiy-tyyy-tyyyyy-ti-ting) बनाने के लिए विकसित किया गया था एआई स्मार्ट स्मार्ट बनाने के लिए जानकारी प्राप्त करने के लिए वे प्रशिक्षित नहीं थे. लेकिन यहाँ दिलचस्प है क्या है: प्रौद्योगिकी ज्यादा से अधिक अवसर खोलता हैJobots पर. यह शक्ति शक्ति शक्ति पत्रों, सामग्री, पत्रों, जानकारी, सहायता, और जानकारी प्रबंधन.
दोहरा स्वभाव: REG ग्राहकों की मदद कर सकते हैं (सही खोज, सही उत्तर) या उन्हें उपयोग कर सकते हैं (पुरुषों के साथ, नकारात्मक समीक्षाएँ, ऊपर की समीक्षा सामग्री). अंतर यह तकनीक नहीं है कि वे वास्तव में की जरूरत क्या है? महान खोज कि आप सबसे पहले क्या धन की जरूरत है? और यह कैसे महत्वपूर्ण उदाहरण है, और यह कैसे काम करता है.
यहाँ RAG के बारे में सच्चाई है: यह sversings. सदिश मॉडल? केवी कैश? लेकिन सॉफ्टवेयर में अन्य सब कुछ की तरह, यह कैसे काम करता है के बारे में समझ के बारे में है. आप के पीछे गणित रूपांतरण के पीछे किसी भी अधिक से अधिक आप C# को समझने की जरूरत नहीं है.
तीन चरणों में RAG:
यह है. बाकी कार्यान्वयन विवरण है.
यह श्रृंखला आपको दिखाती है कि कैसे RAG सिस्टम बनाने के लिए C# कोड के साथ काम करते हैं. कोई pance. कोई अनुमान नहीं है. सिर्फ टुकड़े और वे कैसे एक साथ फिट करें.
आप इस श्रृंखला में क्या सीखेंगे:
बाद में, मैं तुम्हें भी दिखाना होगा पूर्ण रेजी व्यवस्थाओं को बनाने के लिए:
रिलीशन तैयार किया जा रहा है: संबंधित जानकारी ढूंढें, फिर इसका उपयोग करें.
flowchart LR
A[User Question] --> B[Retrieve Relevant Info]
B --> C[Retrieved Documents/Context]
C --> D[Generate Response]
A --> D
D --> E[Grounded, Accurate Answer]
style B stroke:#f9f,stroke-width:2px
style D stroke:#bbf,stroke-width:2px
RAG के बिना: उपयोक्ता पूछता है
RAG के साथ: उपयोक्ता पूछता है कि TSM सही तरीके से काम करनेवालों का जवाब कैसे दे सकता है
// Without RAG: Hope the LLM knows
var answer = await llm.GenerateAsync("How do I deploy Docker?");
// Risk: Might make up outdated or wrong steps
// With RAG: Give it the docs
var relevantDocs = await vectorSearch.FindSimilar("How do I deploy Docker?");
var context = string.Join("\n", relevantDocs.Select(d => d.Text));
var answer = await llm.GenerateAsync($"Context: {context}\n\nQuestion: How do I deploy Docker?");
// Result: Answer based on YOUR actual Docker deployment docs
मुख्य अन्तर्दृष्टि: तर्क से अलग ज्ञान भंडार (एलएम). अपने डॉट्स को अद्यतन करता है, खोज वर्तमान रहता है. कोई फिर से अभ्यास की आवश्यकता नहीं है.
RG खोज और NLP अनुसंधान के दशकों में समायोजन. इस इतिहास को समझने में आपकी मदद करता है कि क्यों रेजी यह तरीका बनाया गया है - और क्या समस्याओं को हल करता है.
कीवर्ड आधारित खोज:
समस्या: ये मेल खाते हैं अक्षर, नहीं अर्थ. खोज "कांपरेशन" और जब तक ये सटीक शब्द नहीं प्रकट नहीं होते तब तक आप नहीं मिलेगा. वे टाइटेन्टोस को संभाल सकते हैं लेकिन नहीं .
आवर्धन (IBM, 2011):
समझ - बूझ से मॉडल पढ़ा जा रहा है:
रूपांतरणकर्ता (17): "सभी को ध्यान की ज़रूरत है"
BERTRRRING:
GC- 2/3 (202020):
छवियों को प्रतिनिधित्व करता है:
BART (चेहराबुक एआई, अक्टूबर 2019):
M2M- 100 (चेहरा- बुक एआई, अक्टूबर 2020):
वास्तविक विश्व उदाहरण: मेरा तंत्रिका मशीन अनुवाद औज़ार जब प्राथमिक सेवाएँ उपलब्ध होती हैं तो एक मशीन मॉडल के रूप में उपयोग किया जा रहा है, यह प्रमाणित करता है कि इन ट्रांसलेटर आधारित मॉडल उत्पादन तंत्रों के लिए व्यावहारिक निर्माण ब्लॉक कैसे बन गया.
निर्माण कागज "ज्ञान- इन लिंड एनएलपी कार्य के लिए निकाल दिया जा रहा है"वंस पेट्रिक थॉमस ईट ए. (चेहरा- 2007 अनुसंधान) औपचारिक रूप से RG को प्रस्तुत किया, सीधे BARAT पर इमारत:
जो कुछ उन्होंने किया है, वह पन्नों में अंकित है
परिणाम: RGy व्यवस्था ज्ञान पर बहुत बड़ा आदर्श बना रही है, जबकि अधिक कुशल और अद्यतन किया जा रहा है. आप ज्ञान आधार को फिर से अद्यतन कर सकते हैं मॉडल की जाँच के बिना.
चैट रूम, GS-4, और क्लोग ने RG आवश्यक बनाया:
आज (2024- 2025): RAG अनुवाद किए एआई तंत्रों को उत्पादन के लिए डीओओ मानक है जो सटीकता और अव्यावहारिकता की जरूरत है. हर प्रमुख एआई कंपनी RG उपकरण प्रदान करती है.
तकनीकी विवरण में गहराई से परिवर्तन करने से पहले (जो हम भाग 2) में कवर करेंगे, चलो उच्च-स्तर कार्य प्रवाह को समझने के लिए।
RAG सिस्टम तीन अलग चरणों में काम करता है:
flowchart LR
A[Your Documents] --> B[Split into Chunks]
B --> C[Generate Embeddings]
C --> D[Store in Vector DB]
style C stroke:#f9f,stroke-width:2px
style D stroke:#bbf,stroke-width:2px
क्या होता है:
कुंजी संकल्पः इसी तरह का मतलब भी होता है जैसे सदिश, तो "ककरोरर पात्र" और "कंकरीकरण मंच" अंत सदिश अंतरिक्ष में एक साथ बंद.
flowchart LR
A[User Question] --> B[Generate Query Embedding]
B --> C[Search Vector DB]
C --> D[Top K Most Similar Chunks]
style B stroke:#f9f,stroke-width:2px
style C stroke:#bbf,stroke-width:2px
क्या होता है:
क्यों यह काम करता है: "मैं किस तरह तैनात बर्तन हैं?" (कर्क) ठीक शब्दों में फर्क करने के बारे में डॉकिंग के बारे में तरह है, भले ही.
flowchart TB
A[User Question] --> B[Build Prompt]
C[Retrieved Context] --> B
B --> D[LLM]
D --> E[Generated Answer with Citations]
style B stroke:#f9f,stroke-width:2px
style D stroke:#bbf,stroke-width:2px
क्या होता है:
जादू: LLM तथ्यों को पार नहीं कर सकते है कि संदर्भ में नहीं हैं. यह सिर्फ blaym आकार और क्या दिया है समझाने के लिए कर सकते हैं.
चलो तंत्र के माध्यम से एक क्वैरी ट्रेस करें:
उपयोक्ता पूछता है: "मैं कैसे डॉकर निर्माण करें?"
कदम 1 - रिपल:
Query embedding: [0.234, -0.891, 0.567, ...]
Search vector DB for similar embeddings...
Retrieved chunks:
1. "Docker Compose is a tool for defining multi-container applications..." (similarity: 0.92)
2. "To use Docker Compose, create a docker-compose.yml file..." (similarity: 0.87)
3. "The docker-compose up command starts all services..." (similarity: 0.83)
चरण 2 - पीढ़ी:
Prompt to LLM:
"Context:
[1] Docker Compose is a tool for defining multi-container applications...
[2] To use Docker Compose, create a docker-compose.yml file...
[3] The docker-compose up command starts all services...
Question: How do I use Docker Compose?
Answer (use the context above):"
LLM Response:
"To use Docker Compose [1], start by creating a docker-compose.yml file [2] that
defines your services. Then run 'docker-compose up' to start all services [3]..."
परिणाम: आपके दस्तावेज़ से पूर्ण प्रशंसा के साथ सही जवाब.
RG (और कब नहीं) का प्रयोग करने के लिए समझ की माँग करती है कि इसकी तुलना विकल्पों से करें ।
STAGTATATMATATCYEARTME |--------|-----|-------------| | ज्ञान अद्यतन डेबियन तत्काल (सिर्फ ज्ञान आधार को अद्यतन करें) | खर्च छावनी कम (सेसर + एम्बेडिंग) (जीजीयूपीएस प्रशिक्षण समय) | शुद्धता मान इन दोनों स्रोतों में ज़मीन - आसमान का फर्क है | मनपसंद सूचना गहरा मॉडल अनुकूलित करता है | तर्कता उससे भी अधिक (इस तरह का उपयोग कर सकता है) 2002- 2003 (काला बॉक्स) | के लिए उत्तम मेट्रिक ज्ञान-इन्ड कार्य लानत स्टाइल/ प्रारूप RSAREGenericName
जब अच्छी तरह इस्तेमाल किया जाए:
RAG प्रयोग करने के लिए:
आप दोनों को शामिल कर सकते हैं? जी हाँ, शैली के लिए ठीक है, तथ्यों के लिए RAG.
आधुनिक LLLM बड़े संदर्भ विंडो पर गर्व करता है (G-4: 128K निशानियाँ, पाइप: 200K चिन्ह. क्यों न आप अपने सभी दस्तावेज़ों को संदर्भ में डंप करें?
लंबी संदर्भ सहित समस्याएँ:
जब लंबा संदर्भ आता है तो समझ आता है:
जब RAG समझ आता है:
सर्वोत्तम अभ्यासः सबसे अधिक संबंधित सामग्री को चुनने के लिए RAG का इस्तेमाल करें, फिर उस तत्व के लिए लम्बी संदर्भ का उपयोग करें.
एक साधारण आधार रेखा है।
उदाहरण प्राम्प्ट:
Examples:
Q: What is Docker?
A: Docker is a containerization platform...
Q: How does Kubernetes work?
A: Kubernetes orchestrates containers...
Q: What is my new question?
A: [LLM generates answer]
सीमाएँ:
RAG सुधार:
आप RG के बारे में सोच सकते हैं "कुछ की बिक्री पैमाने पर की जा रही है" के रूप में।
आप RAG को पारंपरिक पूरे पाठ खोज के साथ जोड़ सकते हैं पारा फ़्यून (RF) का उपयोग करके.
आखिर क्यों?
public async Task<List<SearchResult>> HybridSearchAsync(string query)
{
// Run both searches in parallel
var semanticTask = SemanticSearchAsync(query, limit: 20);
var keywordTask = KeywordSearchAsync(query, limit: 20);
await Task.WhenAll(semanticTask, keywordTask);
var semanticResults = await semanticTask;
var keywordResults = await keywordTask;
// Combine using Reciprocal Rank Fusion
return ApplyRRF(semanticResults, keywordResults);
}
private List<SearchResult> ApplyRRF(
List<SearchResult> list1,
List<SearchResult> list2,
int k = 60)
{
var scores = new Dictionary<string, double>();
// Score from first list
for (int i = 0; i < list1.Count; i++)
{
var id = list1[i].Id;
scores[id] = scores.GetValueOrDefault(id, 0) + 1.0 / (k + i + 1);
}
// Score from second list
for (int i = 0; i < list2.Count; i++)
{
var id = list2[i].Id;
scores[id] = scores.GetValueOrDefault(id, 0) + 1.0 / (k + i + 1);
}
// Merge and sort by combined score
var allResults = list1.Concat(list2)
.GroupBy(r => r.Id)
.Select(g => g.First())
.OrderByDescending(r => scores[r.Id])
.ToList();
return allResults;
}
अब आप समझ सकते हैं कि RG क्या है, कहाँ से आया है, और कैसे यह विकल्प के लिए तुलना करता है, यहाँ यह बात क्यों है:
1. एआई का डेमोीकरण
2 व्यावहारिक शुद्धता
3. हमेशा ऊपर
गोपनीयता और नियंत्रण 4.
5. लागत-प्रयोगात्मक
6. विस्तृत अनुप्रयोग
हम RAG के विकास का पता लगाया है:
भाग १: १ से प्रमुख अंतर्दृष्टि
तीन- स्टेप मानसिक मॉडल:
और सब कुछ अनुकूलनशील है.
अब आप समझते हैं क्या RAG है, क्यों और मामले की तदबीर करें कहाँ लेकिन यह वास्तव में फन के नीचे काम कैसे करता है?
में भाग 2: RAGCACT और आंतरिक, हम तकनीकी विवरण में गहरी वृद्धि:
RAGREART:
आंतरिक आंतरिक:
तकनीकी गहरी दिशा:
भाग २: ६ और आंतरिक भाग में जारी रखें
भाग 2 के बाद, आप भाग 3 के लिए तैयार हो जाएगा जहाँ हम असली व्यवस्था का निर्माण करेंगे, आम चुनौतियों का हल, और HyEEE, बहु-PPRG, और TECPCPCPC संपीडन के रूप में विस्तृत तकनीकों का पता लगाने के लिए।
आधारित कागज:
आगे पढ़ा जा रहा है:
इस श्रृंखला में अगला:
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.