RAG कौन-सी समस्या हल करता है?
RAG इस समस्या का समाधान करता है कि AI मॉडल आपके संगठन के दस्तावेज़ नहीं जानता या दुनिया के बारे में उसकी जानकारी पुरानी है। मॉडल को दोबारा प्रशिक्षित करने के बजाय, आप उसे जवाब देते समय सही अंश उपलब्ध कराते हैं।
50 लोगों वाले एक काल्पनिक टूर ऑपरेटर, टाइडवॉटर ट्रैवल, की कल्पना करें। इसकी बुकिंग टीम नियमों और प्रक्रियाओं की 90 पन्नों की पुस्तिका के बारे में बार-बार वही सवाल पूछती है। टीम लीड, लियोन, ने एक सामान्य चैटबॉट आज़माया: 'क्या ग्राहक प्रस्थान से 10 दिन पहले मुख्य यात्री का नाम बदल सकता है, और क्या इसका कोई शुल्क है?' चैटबॉट ने पूरे विश्वास के साथ एयरलाइन के नियमों और ऐसे शुल्क के बारे में सामान्य जवाब दिया जो टाइडवॉटर लेता ही नहीं है। असली जवाब पुस्तिका के खंड 4.2 में है, जिसे चैटबॉट ने कभी देखा ही नहीं है।
स्रोतों से जानकारी खोजकर उत्तर तैयार करने की प्रक्रिया कैसे काम करती है?
संबंधित जानकारी खोजकर उत्तर तैयार करने की प्रक्रिया के तीन चरण होते हैं: प्रश्न से सबसे अधिक संबंधित अंश खोजें, उन्हें प्रॉम्प्ट में जोड़ें और फिर मॉडल को उन्हीं के आधार पर उत्तर तैयार करने दें। Anthropic की शब्दावली भी यही विचार बताती है: प्रश्न पूछे जाने पर ज्ञान भंडार से संबंधित जानकारी खोजी जाती है और मूल प्रश्न के साथ मॉडल को दी जाती है।
यह शब्द पैट्रिक लुईस और उनके सहकर्मियों के 2020 के एक शोध-पत्र से आया है। उसमें एक भाषा मॉडल को दस्तावेज़ों की खोजयोग्य अनुक्रमणिका से जोड़ा गया था और पाया गया कि केवल मॉडल से मिले जवाबों की तुलना में इसके जवाब अधिक विशिष्ट और तथ्यपरक थे।
1. दस्तावेज़ तैयार करें
मार्गदर्शिका को छोटे हिस्सों में बाँटा जाता है, जैसे हर हिस्से में एक अनुभाग या कुछ अनुच्छेद, ताकि खोज के नतीजे में पूरी किताब के बजाय संबंधित अंश मिल सके।
2. अर्थ के आधार पर उनका सूचकांक बनाएँ
हर खंड को एक एम्बेडिंग में बदला जाता है, यानी संख्याओं की ऐसी सूची में जो उसका अर्थ दर्शाती है, और उसे एक वेक्टर डेटाबेस में रखा जाता है। AWS इस चरण को डेटा को संख्यात्मक निरूपण में बदलने की प्रक्रिया बताता है, ताकि उसे प्रश्नों से मिलाया जा सके।
3. जानकारी प्राप्त करें
सवाल को भी उसी तरह बदला जाता है और सबसे अधिक मेल खाने वाले खंड खोजने के लिए सूचकांक से उसका मिलान किया जाता है। कई प्रणालियाँ इसके साथ सामान्य कीवर्ड खोज भी इस्तेमाल करती हैं।
4. निर्देश में अतिरिक्त संदर्भ जोड़ें
सबसे प्रासंगिक अंश प्रॉम्प्ट में इस तरह के निर्देश के साथ रखे जाते हैं: 'केवल इन अंशों के आधार पर जवाब दें और संबंधित खंड का हवाला दें'।
5. तैयार करें
मॉडल दिए गए पाठ के आधार पर जवाब लिखता है और आदर्श रूप से उन अंशों को उद्धृत करता है या उनका संदर्भ देता है जिनका उसने इस्तेमाल किया।
RAG के साथ और उसके बिना दिया गया जवाब कैसा होता है?
आरएजी के बिना: 'ज़्यादातर ट्रैवल कंपनियाँ एयरलाइन की नीति के अधीन, प्रति व्यक्ति लगभग 50 से 100 का शुल्क लेकर नाम बदलने की अनुमति देती हैं।' यह मददगार लगता है, लेकिन यह टाइडवॉटर की नीति नहीं है, और कोई जाँच नहीं सकता कि यह जानकारी कहाँ से आई।
आरएजी के साथ: सिस्टम हैंडबुक के खंड 4.2 और खंड 4.5 निकालता है, और मॉडल जवाब देता है: 'हाँ। खंड 4.2 के अनुसार प्रस्थान से 7 दिन पहले तक मुख्य यात्री का नाम बिना किसी शुल्क के बदला जा सकता है। खंड 4.5 कहता है कि उड़ान वाले पैकेज पर एयरलाइन का अपना बदलाव शुल्क लग सकता है, जो बुकिंग सिस्टम में दिखता है। स्रोत: हैंडबुक के खंड 4.2 और 4.5।' लियोन दोनों खंड खोलकर कुछ ही सेकंड में जवाब की पुष्टि कर सकता है। अगर हैंडबुक बदलती है, तो नया संस्करण खोज-सूची में शामिल होते ही जवाब भी बदल जाता है।
आपको RAG का इस्तेमाल कब करना चाहिए और कब नहीं?
जब जवाब दस्तावेज़ों के किसी खास और बदलते संग्रह से आने चाहिए और लोगों को स्रोत देखना ज़रूरी हो, तब RAG का उपयोग करें। यह नीति पुस्तिकाओं, उत्पाद दस्तावेज़ों, सहायता संबंधी ज्ञान भंडारों और अनुबंध संग्रहों के लिए उपयुक्त है। Anthropic की शब्दावली के अनुसार, यह ताज़ा जानकारी, किसी विशेष क्षेत्र के ज्ञान और स्रोतों के स्पष्ट संदर्भ देने के लिए खास तौर पर उपयोगी है।
जब दस्तावेज़ इतने छोटे हों कि उन्हें सीधे प्रॉम्प्ट में चिपकाया जा सके, जब काम तथ्यों के बजाय शैली या प्रारूप से जुड़ा हो, या जब स्रोत दस्तावेज़ ही अविश्वसनीय हों, तब RAG समाधान नहीं है। यह अनुमतियों की जगह भी नहीं लेता: अगर कोई अंश खोजकर लाया गया है, तो मॉडल उसे दोहरा सकता है, इसलिए जानकारी खोजकर लाने से पहले ही पहुँच नियंत्रण लागू होने चाहिए।
स्रोतों से जानकारी खोजकर उत्तर तैयार करने की प्रक्रिया में कहाँ गड़बड़ी होती है?
RAG में आम तौर पर गलती जवाब तैयार करने के बजाय जानकारी खोजकर लाने के चरण में होती है: अगर गलत अंश मिल जाए, तो मॉडल उसी के आधार पर पूरे विश्वास के साथ जवाब लिख देता है। Anthropic के अनुसार, RAG की प्रभावशीलता ज्ञान आधार की गुणवत्ता और प्रासंगिकता तथा खोजकर लाई गई जानकारी पर निर्भर करती है।
गलत या अधूरा अंश
अपवाद वाला अंश नियम से अलग खंड में होता है, इसलिए जवाब में वह छूट जाता है।
पुराने या दोहराए गए संस्करण
पिछले साल की पुस्तिका अब भी इस साल की पुस्तिका के साथ खोज-सूची में मौजूद है, और खोज में पुरानी पुस्तिका मिल जाती है।
मॉडल मूल पाठ से भटक जाता है
मॉडल खोजकर लाए गए पाठ में अपना सामान्य ज्ञान मिला देता है। केवल स्रोतों के आधार पर जवाब देने के निर्देश और दिखाई देने वाले स्रोत-संदर्भ इसे पहचानना आसान बनाते हैं।
कोई अच्छा जवाब मौजूद नहीं है
अनुमान लगाने के बजाय सिस्टम को कहना चाहिए कि दस्तावेज़ों में इस सवाल की जानकारी नहीं है।
Tosheo.ai की पाठ्यसूची में RAG कहाँ शामिल है?
जानकारी खोजकर उत्तर तैयार करना, AI ऐप बनाने के पाठ्यक्रम की AI ऐप निर्माण श्रेणी में है। यह पाठ उन सभी लोगों को अवधारणा समझाता है जो कंपनी के दस्तावेज़ों पर आधारित AI सहायकों के साथ काम करते हैं। पंजीकरण के बाद कोड वाले शिक्षण मार्ग में एक छोटा RAG ऐप व्यावहारिक रूप से बनाया जाता है—दस्तावेज़ों को हिस्सों में बाँटने और उनके संख्यात्मक निरूपण बनाने से लेकर जानकारी खोजने और स्रोतों के संदर्भ वाले उत्तर तैयार करने तक। हर चरण पर मूल्यांकन मानदंडों के आधार पर प्रतिक्रिया मिलती है।
स्रोत और दायरा
Anthropic Claude दस्तावेज़, शब्दावली में RAG की प्रविष्टि (जाँच की तारीख: 19 October 2026) ↗
Anthropic Claude दस्तावेज़, स्रोत-संदर्भ देने की सुविधा (जाँच की तारीख: 19 October 2026) ↗