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
में इस RAG श्रृंखला का भाग 1- क्या यह काम करता है, और मूल तकनीक (मत्ती, सदिश डाटाबेस, आंतरिक डाटाबेस)। अब यह समय है कि ज्ञान को अभ्यास में लाने के लिए। यह आपको दिखाता है कि कैसे वास्तविक RRAG सिस्टमों के साथ काम करना, C# समस्याओं को हल करना, और हाल ही में महत्वपूर्ण तकनीकों का उपयोग करना।
यदि आप पढ़ा नहीं है भाग 1: RAG समझाइए, मैं वहाँ आधारभूत धारणाओं को समझने के लिए शुरू करने की सलाह देता हूं:
यह लेख आपको उन बुनियादी बातों की समझ देता है और उन पर ध्यान देता है कार्यान्वयन, सुधार, और वास्तविक तंत्र पैटर्न.
मैंने इस ब्लॉग पर RG-C-C-C-R की कई सुविधाओं का निर्माण किया है. मैं आपको ठोस उदाहरण दिखाने के लिए।
हर ब्लॉग पोस्ट को "क्लासिक पोस्ट" के प्रयोग से दिखा सकते हैं.
यह कैसे काम करता है:
क्यों यह टैग से बेहतर है:
कोड:
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();
}
इस ब्लॉग पर सर्च बक्से RG- शैली खोज का उपयोग करता है (हालाँकि पीढ़ी भाग के बिना - यह सिर्फ वापसी है).
उपयोक्ता अनुभव:
कार्यान्वयन: मैं सदिश डाटाबेस पर एक आगामी लेख में इस इमारत को कवर करूंगा.
मैं नई ब्लॉग पोस्ट लिखने में मेरी मदद करने के लिए एक पूर्ण रेजी प्रणाली बना रहा हूँ।
केस इस्तेमाल करें: जब मैं "कुछ करने के लिए प्रमाणीकरण" के बारे में लिखना शुरू करता हूँ. NENT कोर, सिस्टम:
पूरा RAGER:
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;
}
यह क्रिया - प्राप्ति (सेप्टिक खोज) + संदर्भ में RAG) + पीढ़ी (LM सुझाव) है ।
उत्पादन व्यवस्थाओं का निर्माण करना कम नहीं है. यहाँ मैं समस्याओं का सामना किया है और उन्हें हल करने के लिए कैसे किया है.
समस्या: आप दस्तावेज़ों को कैसे विभाजित करते हैं? बहुत छोटा = संदर्भ की क्षति. बहुत बड़ा = ज्यादा बड़ा जानकारी.
समाधानः दस्तावेज़ संरचना पर आधारित हाइब्रिड रीब्ड रीग्रेड.
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;
}
}
उत्तम अभ्यास:
समस्या: ज़ेनेरिक एम्बेडिंग मॉडल डोमेन विशेष लक्षणों को नहीं पकड़ सकता है.
समाधानः
विकल्प 1: बढ़िया- क्लिकिंग (अनेड)
# 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)
विकल्प 2: हाइब्रेड एम्बेडिंग (द्बिनेट कई मॉडलों की तरह हैं)
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);
}
विकल्प 3: मेटाडाटा फ़िल्टरName
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" } }
}
}
);
समस्या: BLMM के पास टोकन सीमा है. विंडो में आप कैसे क्वैरी + संदर्भ + प्राम्प्ट फिट करें?
समाधानः गतिशील संदर्भ चयन तथा जाँच.
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);
}
समस्या: यहाँ तक कि आस - पास की आयतों के साथ - साथ, कभी - कभी इसे नज़रअंदाज़ किया जाता है ।
समाधानः
1. प्रायोगिक इंजीनियरिंग:
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. पोस्ट-पीढ़ी वैध:
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 अध्ययन:
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.";
}
समस्या: जैसा कि आप नए दस्तावेज़ों को जोड़ते हैं, सदिश डाटाबेस को मौज़ूदा बने रहने की जरूरत है.
समाधानः सामग्री पुनः लोड की जा रही है .
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: $"{post.Slug}_{chunk.Index}",
embedding: embedding,
metadata: new Dictionary<string, object>
{
["slug"] = post.Slug,
["title"] = post.Title,
["chunk_index"] = chunk.Index,
["content_hash"] = currentHash
},
ct: ct
);
}
}
}
}
}
के हाल के शोध से काटने-पीआरजी तकनीकों की जाँच करें.
समस्या: उपयोक्ता कीथ अकसर छोटी होती हैं और खराब बनी हुई है. दस्तावेज़ फिर से विस्तृत हैं तथा अच्छी तरह से मिटाकर लिखना भी लिखा जाता है. यह संयोग से प्राप्त होता है.
समाधानः इस सवाल का जवाब देने के लिए, इस दस्तावेज़ की खोज कीजिए ।
public async Task<List<SearchResult>> HyDESearchAsync(string query)
{
// Generate hypothetical answer (even if hallucinated)
var hypotheticalAnswer = await _llm.GenerateAsync($@"
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);
}
क्यों यह काम करता है: इसका जवाब है, ऐसी भाषा और बनावट जो असल में दस्तावेज़ों में पायी जाती है ।
समस्या: उपयोक्ता को प्रायः मेटाडाटा फ़िल्टर के साथ न्यूक्लासिक खोज को मिलाया जाता है.
उदाहरण: "इन्टर के बारे में हालिया पोस्ट" = sandarit" + फ़िल्टर" (तिथि > 2024- 01- 01)
समाधानः क्वैरी को सीआरडीएएम + मेटाडाटा फिल्टर में पार्स करने के लिए प्रयोग करें.
public async Task<SearchQuery> ParseSelfQueryAsync(string naturalLanguageQuery)
{
var parsingPrompt = $@"
Parse this search query into:
1. Semantic search query (what the user is looking for)
2. Metadata filters (category, date range, etc.)
User Query: {naturalLanguageQuery}
Output JSON:
{{
""semantic_query"": ""the core concept"",
""filters"": {{
""category"": ""...",
""date_after"": ""..."",
""date_before"": ""...""
}}
}}
";
var jsonResponse = await _llm.GenerateAsync(parsingPrompt);
var parsed = JsonSerializer.Deserialize<SearchQuery>(jsonResponse);
return parsed;
}
// Use parsed query
var parsedQuery = await ParseSelfQueryAsync("Recent ASP.NET posts about authentication");
// semantic_query: "authentication"
// filters: { category: "ASP.NET", date_after: "2024-01-01" }
var results = await _vectorStore.SearchAsync(
embedding: await _embeddingService.GenerateEmbeddingAsync(parsedQuery.SemanticQuery),
filter: BuildFilter(parsedQuery.Filters)
);
समस्या: एक ही क्वैरी में शायद सम्बन्धित दस्तावेज़ों की कमी हो सकती है जिनका इस्तेमाल करने के लिए किया जाता है ।
समाधानः क्वैरी के अनेक भिन्न क़िस्मों को उत्पन्न करें, खोज सभी के साथ, संयोजन परिणामों के साथ.
public async Task<List<SearchResult>> MultiQuerySearchAsync(string query)
{
// Generate query variations
var variations = await _llm.GenerateAsync($@"
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;
}
समस्या: फिर से निकाले जाने के लिए ज़रूरी जानकारी है. इसे सभी बेकार संकेतों को भेजना.
समाधानः सिर्फ संबंधित भाग को संदर्भ में वापस लाने के लिए छोटे भाग का उपयोग करें.
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);
}
समस्या: जटिल प्रश्नों के लिए अनेक स्रोतों से जानकारी की ज़रूरत होती है जो जुड़े हुए हैं.
उदाहरण: " ब्लॉग का कौन सा डाटाबेस उपयोग करता है और कैसे एनिमिक सर्च लागू किया जाता है?"
समाधानः . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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);
}
समस्या: आप एआई तंत्रों को कैसे बनाते हैं जो महीनों या साल पहले से वार्तालाप को याद रखते हैं?
समाधानः लगातार, खोज योग्य स्मृति बनाने के लिए प्रगतिशील रूप से रीग्रेसन के साथ जोड़िए ।
यह तरीका यहाँ इस्तेमाल किया गया है डिथरिंग (प्रयोगात्मक सिंथेटेड एवोल्यूशन) - एक उन्नत प्रणाली मैं निर्माण कर रहा हूँ कि RG-G-आधारित संदर्भ स्मृति हमेशा के लिए साझा वार्तालाप इतिहास रखने के लिए उपयोग कर रहा हूँ।
उदाहरण के लिए:
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..."
यह कैसे काम करता है:
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
कार्यान्वयन पासः
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")
}
);
}
}
}
यह क्यों शक्तिशाली है:
डिथरिंग से वास्तविक विश्व उदाहरण:
हमें यह याद रखना चाहिए:
यह एक एआई तंत्र तैयार करता है कि वास्तविक रूप से हर सम्पर्क तथा संगठनात्मक स्मृति से "जान" बनाता है, बल्कि प्रत्येक सत्र को ताज़ा करने के बजाय.
चुनौतियों पर गौर करना:
यह तकनीक RG "अपने दस्तावेज़ों को खोज" से बदल देती है "जो कुछ हमने कभी चर्चा की है उसे याद रखना" - लंबे अटल एआई सहायकों के लिए एक खेल परिवर्तन.
RG हमेशा जवाब नहीं है. इसे दूर करने के लिए यहाँ है:
1 सामान्य ज्ञान प्रश्न
2. अज़ाब लिखने वाला लेखन
3. रीयल- टाइम डाटा की आवश्यकता है
4 गणितीय तर्क
5 बहुत छोटा ज्ञान आधार
6 जब आपLLL के प्रशिक्षण को नियंत्रित करते हैं.
अपने खुद RGyy प्रणाली बनाना चाहते हैं? यहाँ एक कदम के माध्यम से कदम कदम है।
लक्ष्य: कोई LLLM के साथ काम करने के बुनियादी वापसी प्राप्त करें.
// 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
लक्ष्य: दस्तावेज़ संग्रहों के लिए स्केल करें.
लागू करने के लिए अगला चरण:
मैं सदिश डाटाबेस पर एक आनेवाले लेख में इस बात को विस्तार से कवर करूंगा.
लक्ष्य: रेग्रेजी पूर्ण.
// 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;
मूल कार्य में एक बार, स्थानीय ज्ञान में उत्प्रवासित होता है (मैं भविष्य के लेखों में इस बात को कवर करता हूँ):
RGEG (पुष्टि-रहित पीढ़ी) एक प्रभावशाली तकनीक है कि अधिक सही है, ऊपर-से-अंत्र, और वास्तविक दस्तावेज़ों में उनकी प्रतिक्रिया स्थापित करके. मॉडल के प्रशिक्षण डेटा पर निर्भर करने के बजाय, RGIGyyyyyyyyyyyyyyyyyD:
RAG के मुख्य लाभ:
RAG प्रयोग करने के लिए:
जब हम RAG से दूर रहें:
क्षेत्र HyDE के रूप में विस्तृत तकनीकों के साथ तेजी से तेजी से बढ़ रहा है, बहु-चांजी वापसी, और PRCOCT संपीडन, लेकिन मुख्य धारणा सरल रहती है: सही समय पर सही जानकारी के लिए पहुँच दे.
रेजी आज भरोसेमंद एआई सिस्टम बनाने के लिए एक बहुत ही कारगर तरीका है ।
अब कि आप दोनों बुनियादीों को समझते हैं (पार्ट 1) और RG के व्यावहारिक अनुप्रयोग, आगामी आलेखों में मैं आपको दिखाएगा कि कैसे पूरा, C# में निर्माण व्यवस्थाओं को तैयार करने के लिए तैयार:
जल्द ही आ रहा है:
ये आलेख इस ब्लॉग के उत्पादन पर आधारित इन सिस्टमों को चलाने पर आधारित कार्य कोड, तैनाती, और वास्तविक प्रणालीओं के साथ आपको सिद्धांत से ले लेंगे.
हाथ कार्यान्वयन गाइड के लिए धुन जारी रखें जो इस RAG ज्ञान को कार्य तंत्रों में बदल देता है!
आधारित कागज:
औज़ार तथा फ्रेमवर्क:
आगे पढ़ा जा रहा है:
क्या ही शानदार इमारत!
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.