RAG Pipeline ตั้งแต่คำถามถึงคำตอบ
เข้าใจ Retrieve → Rerank → Generate และจุดที่ต้องตรวจสอบ
เตรียมความรู้
แบ่งเอกสารเป็น chunks ที่มีบริบทพอเหมาะ สร้าง embedding และเก็บ metadata เช่นชื่อเอกสารและตำแหน่งต้นฉบับ การแบ่งที่ดีต้องประเมินกับคำถามจริง ไม่ได้มีขนาดเดียวที่ดีที่สุดสำหรับทุกงาน
ค้นหาและจัดอันดับ
เมื่อผู้ใช้ถาม ระบบค้นหาเอกสารที่เกี่ยวข้องด้วย keyword หรือ vector search แล้วอาจใช้ reranker จัดอันดับอีกครั้ง เพื่อเลือกข้อมูลที่ควรส่งเข้าโมเดลสร้างคำตอบ
คำตอบต้องตรวจสอบได้
ส่งบริบทที่ค้นพบพร้อมคำสั่งให้โมเดลอ้างอิงแหล่งข้อมูล และประเมินทั้งคุณภาพ retrieval และความสอดคล้องของคำตอบกับหลักฐาน RAG ช่วยเพิ่มข้อมูลให้โมเดล แต่ไม่ได้ขจัดการตอบผิดทั้งหมด
PIPELINE
query → embed → retrieve
↓
rerank
↓
context + question → generate → citationsเชื่อมความรู้กับการลงมือทำ
กลับไปทดลองแนวคิดนี้ พร้อมแบบฝึกหัดและคำอธิบายในห้องเรียน
เปิดบทเรียนที่เกี่ยวข้อง