लेख में दस पद प्रस्तुत किए गए हैं जो मुख्यधारा RAG ट्यूटोरियल्स को चुनौती देते हैं: RAG मशीन लर्निंग नहीं है; एम्बेडिंग्स जादू नहीं हैं; चंक-आकार स्वीप गलत चीज़ को अनुकूलित करता है; उत्तर स्कीमा मॉडल से अधिक महत्वपूर्ण है। मानक ट्यूटोरियल पैटर्न—दस्तावेज़ों को टुकड़ों में बाँटना, एम्बेडिंग बनाना, कोसाइन समानता द्वारा पुनः प्राप्त करना, रीरैंक करना, LLM को भेजना—हैलो-वर्ल्ड उदाहरणों पर काम करता है लेकिन वास्तविक एंटरप्राइज़ दस्तावेज़ों पर लड़खड़ाता है। ये दस पद तीन परतों में विभाजित हैं: पुनः प्राप्ति (संरचना पहले, शब्दकोश मॉडल से पहले, रीरैंकर्स उपकरण के रूप में चरण नहीं, सब कुछ के लिए एक वेक्टर स्टोर), एंटरप्राइज़ परिभाषा (एंटरप्राइज़ क्या मतलब रखता है, प्रणाली किसे बढ़ाती है, रनटाइम पर कौन मार्ग चुनता है), और लेखा परीक्षण (प्रति- विफलता मूल्यांकन, ईंटों के बीच संबंधात्मक संरचना, उद्धरणों को प्रमाण के रूप में)। पद 1 डिफ़ॉल्ट ट्यूटोरियल को उलट देता है: वेक्टर स्टोर एक फॉलबैक है, आधार नहीं। संरचना-प्रथम पुनः प्राप्ति वास्तविक प्रश्नों के बहुमत को संभालती है; एम्बेडिंग्स अवशेष मामलों के लिए सुरक्षा नेट के रूप में आती हैं। श्रृंखला के साथी नोटबुक्स वास्तविक PDFs पर चलते हैं, दिखाते हैं कि एम्बेडिंग से पहले संरचना-प्रथम पुनः प्राप्ति, पंक्ति-स्तर के उद्धरणों के साथ टाइप किए गए उत्तर, और विफलता मोड द्वारा काटा गया मूल्यांकन।

मुख्य इकाइयाँ: कंपनियाँ: Anthropic | लोग: Hamel Husain, Eugene Yan, Jason Liu

अक्सर पूछे जाने वाले प्रश्न: क्यों मुख्यधारा RAG ट्यूटोरियल्स एंटरप्राइज़ सेटिंग्स में विफल होते हैं?

मुख्यधारा ट्यूटोरियल्स एकल वेक्टर स्टोर और कोसाइन समानता दृष्टिकोण पर निर्भर करते हैं जो हैलो-वर्ल्ड उदाहरणों पर काम करता है लेकिन वास्तविक एंटरप्राइज़ दस्तावेज़ों पर टूट जाता है। लेख संरचना-प्रथम पुनः प्राप्ति की वकालत करता है, वेक्टर स्टोर को फॉलबैक के रूप में मानता है, और बेंचमार्क्स के बजाय व्याख्यात्मकता पर जोर देता है।