Որոնման խողովակաշարն աշխատեց, բայց արտադրանքի հարցը մնաց

Ծրագրավորող Մայքլ Տրունգը ներկայացնում է անձնական պորտֆոլիոյի օգնականի համար RAG (Retrieval-Augmented Generation) համակարգի մշակման մարտահրավերները: Սկզբնական շրջանում ամբողջական փաստաթղթերի ինդեքսավորումը հանգեցրեց որոնման ցածր արդյունավետության, քանի որ մեկ փաստաթուղթը հաճախ պարունակում էր տարբեր թեմաներ: Խնդիրը լուծելու համար հեղինակը կիրառել է հատվածների բաժանման մեթոդ՝ հիմնված Markdown վերնագրերի վրա, ինչը թույլ է տվել ավելի ճշգրիտ որոնում իրականացնել OpenAI embeddings-ի և pgvector-ի միջոցով: Թեև համակարգը բարելավել է որոնման որակը, հեղինակը նշում է, որ տեխնիկական հաջողությունը չի նշանակում պատրաստի արտադրանք: Փորձարկումները ցույց են տվել, որ որոնման որակը կախված է կորպուսի ընդլայնումից և արդյունքների սահմանաչափերի կարգավորումից: Տրունգը եզրակացնում է, որ ավտոմատացված թեստերը միայն սկիզբն են, և մշակողները պետք է մանրակրկիտ կարգավորեն որոնման պարամետրերը՝ ապահովելու համար, որ օգնականը կարողանա տարբերակել օգտակար տեղեկատվությունը աղմուկից: