Senior⏱ 16 دقیقه2 بخش · 6 نکته

مرور سریع RAG (Retrieval-Augmented Generation)

الگوی معماری‌ای که LLM را با دانش بیرونی و به‌روز ترکیب می‌کند تا پاسخ‌های دقیق‌تر و مستندتر بدهد.

0 از 6 نکته مرور شد0٪

فقط نکات طلایی ⭐

فهرست بخش‌ها

اجزای پایپلاین RAG0/3
کیفیت و ملاحظات عملی0/3

اجزای پایپلاین RAG0/3

مراحل ساخت یک سیستم RAG از صفر.

چرا RAG⭐ طلایی

RAG با بازیابی اطلاعات مرتبط از یک منبع دانش خارجی و افزودن آن به Prompt، Hallucination را کم می‌کند و به مدل اجازه می‌دهد به داده‌ای که در زمان آموزش ندیده دسترسی داشته باشد.

💡 نکتهٔ مصاحبه:

تفاوت RAG با Fine-tuning را بدانید: RAG دانش را در زمان اجرا تزریق می‌کند، بدون آموزش دوبارهٔ مدل.

Chunking (تکه‌کردن سند)⭐ طلایی

اسناد بزرگ قبل از تبدیل به Embedding به قطعات کوچک‌تر (Chunk) تقسیم می‌شوند تا هم در Context Window جا شوند و هم دقت بازیابی بالا برود.

⚠️ اشتباه رایج:

انتخاب اندازهٔ Chunk خیلی بزرگ (اطلاعات نامرتبط اضافه می‌شود) یا خیلی کوچک (زمینه از دست می‌رود).

Retrieval و Augmentation⭐ طلایی

در مرحلهٔ Retrieval، سؤال کاربر به Embedding تبدیل و مرتبط‌ترین Chunk ها از Vector Database بازیابی می‌شوند؛ در Augmentation این نتایج به Prompt نهایی اضافه و به LLM ارسال می‌شوند.

\nquery â†’ embedding â†’ vector search â†’ top-k chunks â†’ prompt + chunks â†’ LLM\n

کیفیت و ملاحظات عملی0/3

چیزهایی که یک RAG ساده را به یک RAG قابل اتکا تبدیل می‌کنند.

Re-rankingمهم

پس از بازیابی اولیهٔ چند ده نتیجه، یک مدل کوچک‌تر (Re-ranker) نتایج را بر اساس ارتباط واقعی با سؤال دوباره مرتب می‌کند تا فقط بهترین‌ها به LLM برسند.

Hybrid Searchمهم

ترکیب جستجوی برداری (معنایی) با جستجوی کلیدواژه‌ای سنتی (مثل BM25) معمولاً دقت بازیابی را نسبت به استفادهٔ تنها از یکی بالاتر می‌برد.

ارزیابی کیفیت RAGمهم

معیارهایی مثل Faithfulness (وفاداری پاسخ به منبع) و Context Relevance (ارتباط قطعات بازیابی‌شده) برای سنجش کیفیت سیستم RAG استفاده می‌شوند.

⚠️ اشتباه رایج:

تست‌نکردن سیستم RAG با سؤالات لبه‌ای (Edge Case) که پاسخشان در دانش‌پایه وجود ندارد.