Wat is RAG?
Wat is het?
Met een RAG-pipeline (retrieval-augmented generation) antwoordt een model op basis van je documenten: die worden opgedeeld en omgezet in embeddings, en bij elke vraag worden de nuttige fragmenten opgezocht en aan het model gegeven.
Wanneer te gebruiken
- Een assistent laten antwoorden op basis van interne documentatie of een productcatalogus.
- Hallucinaties beperken door het model zijn bronnen te laten noemen.
De velden van de pagina
| Bronnen | Gebruikte documenten en hoe ze worden bijgewerkt. |
|---|---|
| Opdeling | Grootte van de stukken en overlap. |
| Embeddings en vectordatabase | Het embeddingmodel en waar de vectoren worden opgeslagen. |
| Zoeken | Aantal behouden fragmenten en eventuele herrangschikking. |
| Promptsjabloon | De tekst die naar het model gaat, met {{context}} en {{question}}. |
Hoe gebruik je het
Tabblad “Gebruik”: download de JSON-configuratie; het Python-voorbeeld beschrijft elke stap.