লেখটি এন্টারপ্রাইজ ডকুমেন্ট ইন্টিলিজেন্সের দশ অবস্থান উপস্থাপন করে যা প্রধানধারা RAG টিউটোরিয়ালকে চ্যালেঞ্জ করে। এটি যুক্ত করে যে RAG মেশিন লার্নিং নয়; এম্বেডিংস জাদু নয়; চাঙ্ক-আকার স্বীপ ভুল জিনিষকে অপ্টিমাইজ করে; উত্তর স্কিমা মডেলের চেয়ে বেশি গুরুত্বপূর্ণ। মান টিউটোরিয়াল প্যাটার্ন—ডকুমেন্টকে টুকরোতে ভাগ করা, এম্বেডিং তৈরি করা, কোসাইন সাদৃশ্য দ্বারা পুনরুদ্ধার করা, রির্যাঙ্ক করা, LLM-এ পাঠানো—হেলো-ওয়ার্ল্ড উদাহরণে কাজ করে কিন্তু বাস্তব এন্টারপ্রাইজ ডকুমেন্টে লোলায়। এই দশ অবস্থান তিনটি স্তরে ভাগ করা হয়েছে: পুনরুদ্ধার (সंরচনা প্রথম, মডেলের আগে শব্দকোষ, রির্যাঙ্কার্স টুল হিসেবে ধাপ নয়, সবকিছু জন্য একটি ভেক্টর স্টোর), এন্টারপ্রাইজের সংজ্ঞা (এন্টারপ্রাইজ কি বোঝায়, সিস্টেম কে বাড়ায়, রানটাইমে কে রুট বেছে নেয়), এবং অডিট (প্রতি-ব্যর্থতা মূল্যায়ন, ইটের মধ্যে সম্পর্কগত গঠন, উদ্ধৃতি sebagai প্রমাণ)। অবস্থান 1 ডিফল্ট টিউটোরিয়ালকে উল্টে দেয়: ভেক্টর স্টোর একটি ফলব্যাক, ভিত্তি নয়। গঠন-প্রথম পুনরুদ্ধার বাস্তব প্রশ্নের বড় অংশকে সমাধান করে; এম্বেডিংস অবশিষ্ট ক্ষেত্রের জন্য নিরাপত্তার জাল হিসেবে আসে। সিরির সঙ্গী নোটবুকস বাস্তব PDF-এ চালায়, যা এম্বেডিং এর আগে গঠন-প্রথম পুনরুদ্ধার দেখায়, লাইন-স্তরের উদ্ধৃতি সহ টাইপ করা উত্তর, এবং ব্যর্থতা মোড দ্বারা কেটে গোয়া মূল্যায়ন।

মূল entidades: কোম্পানিগুলো: Anthropic | লোকেরা: Hamel Husain, Eugene Yan, Jason Liu

সामान्य প্রশ্ন: কেন প্রধানধারা RAG টিউটোরিয়ালস এন্টারপ্রাইজ সেটিংসে ব্যর্থ হয়?

প্রধানধারা টিউটোরিয়ালস একক ভেক্টর স্টোর এবং কোসাইন সাদৃশ্য পদ্ধতির উপর নির্ভর করে যা হেলো-ওয়ার্ল্ড উদাহরণে কাজ করে কিন্তু বাস্তব এন্টারপ্রাইজ ডকুমেন্টে ভাঙে যায়। নিবন্ধটি গঠন-প্রথম পুনরুদ্ধারের সমর্থন করে, ভেক্টর স্টোরকে ফলব্যাক হিসেবে বিবেচনা করে, এবং বেঞ্চমার্কের চেয়ে ব্যাখ্যাকরণযোগ্যতার উপর জোর দেয়।