Advanced RAG patterns — od naive RAG k produkční kvalitě

Představujeme advanced RAG patterns, které posouvají produkční kvalitu retrieval-augmented generation na novou úroveň.

Naive RAG nestačí. Občas vrátí nerelevantní kontext, občas halucinuje. Pro produkci potřebujete pokročilé techniky.

Problémy naive RAG¶

• Semantic gap: Dotaz a dokument nemusí být sémanticky podobné
• Lost in the middle: LLM ignoruje kontext uprostřed
• Multi-hop queries: Vyžadují řetězení

Query transformation¶

Query expansion: 3-5 variant dotazu. Query decomposition: komplexní dotaz na sub-dotazy.

Hybrid search + reranking¶

Vector + BM25 (Reciprocal Rank Fusion). Cross-encoder reranking: retrieve top-50, rerank na top-5.

Chunking strategie¶

• Semantic chunking: Boundaries na základě sémantických změn
• Parent-child chunks: Retrieve child, kontext parent
• Metadata enrichment: Zdroj, datum, kategorie

RAG je spektrum, ne binární stav¶

Investujte do evaluace (RAGAS) — bez metrik nepoznáte, co zlepšovat.