RAG مخفف Retrieval-Augmented Generation یعنی «تولید پاسخ به‌کمک بازیابی» است. این روش مشکل اصلی مدل‌های زبانی عمومی را حل می‌کند: آن‌ها درباره‌ی کسب‌وکار خاص شما اطلاعات ندارند و ممکن است پاسخ نادرست بسازند.
RAG قدم‌به‌قدم چطور کار می‌کند؟
- کاربر پرسشی می‌پرسد.
- سیستم در پایگاه دانش سازمان، بخش‌های مرتبط با پرسش را پیدا می‌کند.
- همان بخش‌های مرتبط همراه پرسش به مدل زبانی داده میشود.
- مدل پاسخ را بر پایه‌ی همان دانش تأییدشده می‌سازد و در صورت نیاز منبع را نشان میدهد.
چرا پاسخ‌ها قابل‌اعتمادترند؟
چون مدل «از خودش» پاسخ نمی‌سازد؛ پاسخ را از روی اسناد شما می‌سازد. اگر اطلاعاتی در دانش موجود نباشد، یک چتبات خوب به‌جای حدس زدن، صادقانه کاربر را به کارشناس انسانی ارجاع میدهد.
برای ساخت آن چه لازم است؟
- اسناد، قیمت‌ها و پرسشهای پرتکرار سازمان
- قواعد پاسخ‌گویی و لحن برند
- مسیر مشخص برای ارجاع به انسان
- محل اجرا: وب‌سایت، تلگرام، واتساپ یا پنل داخلی
نکته‌ی مهم برای زبان فارسی
کیفیت جست‌وجو در متن فارسی به یکسان‌سازی نویسه‌ها (ی و ک عربی و فارسی، نیم‌فاصله) و انتخاب مدل embedding مناسب بستگی دارد. پیش از انتشار، چتبات را با پرسشهای واقعی فارسی و محاوره‌ای مشتریان آزمایش کنید.
سؤالات متداول
آیا RAG جای کارشناس پشتیبانی را میگیرد؟
خیر. RAG پرسشهای پرتکرار را پاسخ میدهد تا کارشناسان روی موارد پیچیدهتر تمرکز کنند و در نبود اطلاعات، به انسان ارجاع میدهد.
اگر دانش سازمان تغییر کند چه میشود؟
پایگاه دانش بهروزرسانی میشود و چتبات از نسخهی جدید پاسخ میدهد؛ نیازی به آموزش دوبارهی مدل نیست.