‏معماری‌های مختلف سیستم‌های RAG

‏معماری‌های تولید تقویت‌شده با بازیابی (RAG) برای بهبود دقت پاسخ‌های مدل‌های زبانی از روش‌های مختلفی استفاده می‌کنند. مهم‌ترین این معماری‌ها به شرح زیر هستند:

‏* Naive RAG: روش پایه که شامل مراحل متوالی تقسیم اسناد به تکه‌ها (Chunks)، تبدیل به بردار و بازیابی مستقیم برای تولید پاسخ توسط LLM است.
‏* Retrieve-and-Rerank: اضافه کردن یک مدل رنکر (Reranker) پس از بازیابی اولیه برای اولویت‌بندی دقیق‌تر تکه‌های مرتبط.
‏* Multimodal RAG: پشتیبانی از انواع داده‌های چندوجهی شامل تصویر، جدول و صوت علاوه بر متن، با استفاده از مدل‌های Embedding چندوجهی.
‏* Graph RAG: استفاده از گراف دانش برای استخراج روابط بین موجودیت‌ها و بهبود درک محتوایی از داده‌ها.
‏* Hybrid RAG: ترکیب جستجوی برداری با جستجوی مبتنی بر کلمات کلیدی (مانند BM25) برای بهره‌گیری از مزایای هر دو رویکرد.
‏* Agentic RAG (Router): استفاده از یک عامل هوشمند برای تحلیل کوئری و انتخاب بهترین ابزار یا منبع بازیابی.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
تلگرام | بله | ایتا | ارتباط با ما

#GraphRAG #AgenticRAG