Så här skapar du en RAG-lösning med Hjälp av Azure AI Search
Den här självstudieserien visar ett mönster för att skapa RAG-lösningar i Azure AI Search. Den omfattar de komponenter som är inbyggda i Azure AI Search, beroenden och optimeringar för att maximera relevans och minimera kostnader.
Exempeldata är en samling PDF-filer som laddats upp till Azure Storage. Innehållet är från NASA:s jordfria e-bok.
Exempelkod finns i den här Python-anteckningsboken, men vi rekommenderar att du använder artiklarna i den här serien för kontext, insikter och för att utforska alternativa metoder.
Övningar i den här serien
Välj dina modeller för inbäddningar och chatt
Utforma ett index för konversationssökning
Utforma en indexeringspipeline som läser in, segment, bäddar in och matar in sökbart innehåll
Hämta sökbart innehåll med hjälp av frågor och en chattmodell
Maximera relevans
Minimera lagring och kostnader
Vi utelämnade några aspekter av ett RAG-mönster för att minska komplexiteten:
Ingen hantering av chatthistorik och kontext. Chatthistorik lagras och hanteras vanligtvis separat från dina grunddata, vilket innebär extra steg och kod. Den här självstudien förutsätter atomiska frågor och svar från LLM och standardmiljön för LLM.
Ingen användarsäkerhet per användare över resultat (vad vi kallar "säkerhetstrimning"). Om du vill ha mer information och resurser börjar du med Säkerhetstrimning och ser till att granska länkarna i slutet av artikeln.
Den här serien beskriver grunderna i UTVECKLING av RAG-lösningar. När du förstår grunderna kan du fortsätta med acceleratorer och andra kodexempel som ger mer abstraktion eller som på annat sätt passar bättre för produktionsmiljöer och mer komplexa arbetsbelastningar.
Varför ska du använda Azure AI Search för RAG?
Chattmodeller har begränsningar för hur mycket data de kan acceptera på en begäran. Du bör använda Azure AI Search eftersom kvaliteten på innehåll som skickas till en LLM kan göra eller bryta en RAG-lösning.
För att leverera indata av högsta kvalitet till en chattmodell tillhandahåller Azure AI Search en sökmotor av bästa klass med AI-integrering och omfattande relevansjustering. Sökmotorn stöder vektorlikhetssökning (flera algoritmer), nyckelordssökning, fuzzy-sökning, geospatial sökning och filter. Du kan skapa hybridfrågeförfrågningar som innehåller alla dessa komponenter och du kan styra hur mycket varje fråga bidrar till den övergripande begäran.