RRAGHUB
راهنمای معماری

RAG را از
بازیابی تا استدلال ببینید.

Retrieval Augmented Generation یعنی مدل زبانی قبل از تولید پاسخ، زمینه‌ی مرتبط را از منبعی بیرونی بازیابی کند. کیفیت این سیستم بیشتر از انتخاب مدل، به کیفیت مسیر داده، بازیابی و ارزیابی وابسته است.

RAG FIELD NOTES

پاسخ خوب از سؤال خوب و منبع درست شروع می‌شود.

نقشه‌ی تکنیک‌ها

یک معماری، چند خانواده‌ی روش

هر پروژه به یک ترکیب متفاوت نیاز دارد. مسئله، latency، امنیت، نوع داده و هزینه تعیین می‌کنند کدام الگو مناسب است.

FOUNDATION

Dense و Sparse Retrieval

بردارها شباهت معنایی را پیدا می‌کنند؛ BM25 و FTS برای نام، کد، اصطلاح و عبارت دقیق قوی‌اند. ترکیب هر دو معمولاً recall بهتری می‌دهد.

QUALITY

Reranking و Context Compression

بعد از بازیابی اولیه، مدل cross-encoder یا reranker ترتیب نتایج را اصلاح می‌کند و فشرده‌سازی زمینه، توکن‌های غیرضروری را حذف می‌کند.

STRUCTURE

GraphRAG

وقتی رابطه‌ی بین موجودیت‌ها مهم است، گراف دانش و خلاصه‌های جامعه‌ای به پرسش‌های چندپرشی و تحلیل کل‌نگر کمک می‌کنند.

AGENCY

Agentic و Corrective RAG

عامل می‌تواند ابزار جست‌وجو را انتخاب کند، کیفیت نتیجه را نقد کند و در صورت ضعف، query را بازنویسی یا مسیر دیگری را امتحان کند.

MULTIMODAL

RAG چندوجهی

متن، جدول، تصویر، نمودار و PDF اسکن‌شده با extraction ساختاریافته و embedding مناسب وارد یک جریان مشترک می‌شوند.

TRUST

ارزیابی و observability

Recall، precision، faithfulness، citation correctness، latency و هزینه را با مجموعه‌سؤال واقعی می‌سنجیم و تغییرات را trace می‌کنیم.

انواع RAG

از ساده تا عامل‌محور

نوعویژگی اصلیمناسب برای
Naive RAGبازیابی و تولید مستقیمMVP و مجموعه‌سندهای کوچک
Advanced RAGquery rewrite، hybrid و rerankمحصول تولیدی با حساسیت کیفیت
Modular RAGماژول‌های جدا برای بازیابی و تولیدسیستم‌هایی که باید قابل‌تغییر و قابل‌تست باشند
GraphRAGرابطه و اجتماع موجودیت‌هاتحلیل چندپرشی و سؤال‌های کلان
Agentic RAGانتخاب ابزار و مسیر توسط عاملپرسش‌های چندمرحله‌ای و منابع متنوع
Multimodal RAGمتن، تصویر، جدول و صداگزارش‌ها و اسناد ترکیبی
الگوی پیشنهادی RAGHUB

چهار شاخص برای هر chunk

شاخصچه چیزی ذخیره می‌شود؟چرا مهم است؟
Chunkمتن خام قطعهبرای بازیابی مستقیم و استناد به متن اصلی
Sub-chunkقطعه‌های کوچک‌تربرای یافتن بخش دقیق در سند بزرگ
Queryسؤال‌های مصنوعی مرتبطبرای نزدیک کردن زبان کاربر به محتوای سند
Summaryخلاصه‌ی قطعهبرای مرور سریع و بازیابی مفهومی
منابع منتخب

از تحقیق تا محصول

این صفحه خلاصه‌ی عملیاتی پژوهش‌ها و مستندات فنی روز است؛ برای طراحی دقیق‌تر، منابع اصلی را هم ببینید.

  1. Lewis et al. — Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
  2. Microsoft Research — GraphRAG
  3. Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection
  4. Corrective Retrieval Augmented Generation
  5. LlamaIndex — Evaluation patterns for RAG
RAG is a system

بیایید معماری درست
را برای مسئله‌ی شما بسازیم.

شروع گفتگو ←