S
SharePoint / OneDrive
Dokumenty, biblioteki, witryny i metadane.
RAG / Enterprise Search
Nie szukaj dokumentów. Pytaj o wiedzę.
RAG łączy model językowy z wiedzą organizacji, aby odpowiedź była budowana na podstawie właściwych źródeł, aktualnych dokumentów i kontekstu użytkownika.
RETRIEVAL-AUGMENTED GENERATION
Firmowy asystent potrzebuje firmowego kontekstu.
Model ogólny zna język, ale nie zna bieżących procedur, umów i dokumentów organizacji. RAG dostarcza mu potrzebne fragmenty w momencie pytania — bez konieczności trenowania modelu na każdej zmianie treści.
?
Pytanie użytkownika„Jak wygląda procedura reklamacji?”
↓
R
Retrievalwyszukanie trafnych fragmentów z dozwolonych źródeł
↓
LLM
Generacjaodpowiedź na podstawie pobranego kontekstu
↓
✓
Odpowiedź + źródłalinki, dokumenty, cytowane fragmenty
Źródła wiedzy
Jedna odpowiedź może korzystać z wielu systemów.
Warstwa konektorów i uprawnień jest równie ważna jak sam model.
D
DMS / pliki
PDF, Word, Excel, instrukcje, procedury i zasoby sieciowe.
DB
SQL / ERP / CRM
Dane strukturalne i informacje zależne od kontekstu.
W
Intranet / wiki
Wiedza wewnętrzna, FAQ, artykuły i komunikacja.
Jakość RAG
Dobre RAG to pipeline, nie tylko baza wektorowa.
W praktyce jakość zależy od przygotowania dokumentów, chunkingu, metadanych, wyszukiwania hybrydowego, rerankingu i sposobu budowy odpowiedzi.
Ingestion
Normalizacja, parsowanie dokumentów, OCR, wersjonowanie, usuwanie duplikatów i metadane.
Retrieval
Embeddingi, full-text, filtry, hybrydowe wyszukiwanie, reranking i kontekst użytkownika.
Generation
Prompt, format odpowiedzi, cytowanie źródeł, odmowa przy braku danych i ocena jakości.
Uprawnienia: system powinien respektować dostęp użytkownika do źródeł. Fakt, że dokument znalazł się w indeksie, nie powinien oznaczać, że każdy może uzyskać z niego odpowiedź.
COMPANY AI
RAG może stać się naturalnym interfejsem całej organizacji.
Chat jest tylko jedną formą. Ten sam silnik wiedzy może zasilać intranet, aplikację, voicebota, avatara, helpdesk albo agenta wykonującego proces.