دانش عملیاتی و RAG

مشکل فقط پیدا کردن متن مشابه نبود.

وقتی دانش عملیاتی میان مستندات، تجربه افراد و سابقه پشتیبانی پخش است، اضافه کردن Vector Search به‌تنهایی آن را به یک پایگاه دانش قابل اتکا تبدیل نمی‌کند.

برای پاسخ قابل اعتماد، باید قبل از Retrieval روشن شود چه چیزی واقعاً دانش معتبر است، مرز هر موضوع کجاست، چگونه منبع آن حفظ می‌شود و وقتی اطلاعات جدید می‌رسد باید Knowledge Item موجود به‌روزرسانی شود یا مورد تازه‌ای ساخته شود.

تمرکز من روی تبدیل «محتوا» به «دانش قابل اداره» بود.

بخش اصلی کار، تعریف قرارداد داده و تصمیم‌هایی بود که مشخص می‌کنند یک منبع چگونه وارد Knowledge Base می‌شود، چه زمانی ادغام می‌شود و چه زمانی باید برای بازبینی متوقف شود.

این شامل تعریف Source of Truth، ساختار ثابت Knowledge Item، جداسازی دامنه‌های محصول، قواعد Metadata، Versioning محتوا و Match Gate برای جلوگیری از ایجاد دانش تکراری بود.

منبع، دانش نهایی و بازیابی از هم جدا شدند.

فایل خام برای حفظ شواهد نگهداری می‌شود؛ نسخه Retrieval-ready با Schema مشخص ساخته می‌شود؛ و لایه Retrieval با استفاده از Metadata و شباهت معنایی، دانش مناسب را برای پاسخ پیدا می‌کند.

کیفیت RAG از چند تصمیم داده‌ای شروع شد.

دانش خوب باید هم قابل پیدا شدن باشد، هم قابل اعتماد.

خروجی، فقط یک Vector Store نبود.

یک مدل نگهداری دانش شکل گرفت که بین منبع خام، نسخه فعلی دانش و نحوه بازیابی آن مرز روشن دارد و می‌تواند با ورود اطلاعات جدید بدون تکثیر بی‌قاعده رشد کند.

RAG بیش از آنکه مسئله مدل باشد، مسئله طراحی دانش است.

Embedding بهتر می‌تواند Retrieval را بهتر کند، اما نمی‌تواند مرز دانش مبهم، منبع نامعتبر یا پاسخ‌های تکراری و متناقض را به‌تنهایی اصلاح کند.

این مطالعه موردی در سطح روش، معماری دانش و تصمیم‌های قابل انتقال نوشته شده است. محتوای واقعی دانش، شناسه‌های داخلی، تیکت‌ها، مشتریان، جزئیات محصول و داده‌های غیرعمومی عمداً حذف یا تعمیم داده شده‌اند.