RAG ਕਿਹੜੀ ਸਮੱਸਿਆ ਹੱਲ ਕਰਦਾ ਹੈ?
RAG ਉਸ ਸਮੱਸਿਆ ਦਾ ਹੱਲ ਕਰਦਾ ਹੈ ਜਦੋਂ AI ਮਾਡਲ ਨੂੰ ਤੁਹਾਡੀ ਸੰਸਥਾ ਦੇ ਦਸਤਾਵੇਜ਼ਾਂ ਬਾਰੇ ਪਤਾ ਨਹੀਂ ਹੁੰਦਾ ਜਾਂ ਉਸ ਕੋਲ ਦੁਨੀਆ ਬਾਰੇ ਸਿਰਫ਼ ਪੁਰਾਣੀ ਜਾਣਕਾਰੀ ਹੁੰਦੀ ਹੈ। ਮਾਡਲ ਨੂੰ ਦੁਬਾਰਾ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਬਜਾਏ, ਤੁਸੀਂ ਜਵਾਬ ਦੇਣ ਵੇਲੇ ਉਸ ਨੂੰ ਸਹੀ ਅੰਸ਼ ਦਿੰਦੇ ਹੋ।
ਟਾਈਡਵਾਟਰ ਟ੍ਰੈਵਲ ਨਾਂ ਦੇ ਇੱਕ ਕਾਲਪਨਿਕ 50-ਵਿਅਕਤੀਆਂ ਵਾਲੇ ਟੂਰ ਆਪਰੇਟਰ ਦੀ ਕਲਪਨਾ ਕਰੋ। ਇਸ ਦੀ ਬੁਕਿੰਗ ਟੀਮ ਨਿਯਮਾਂ ਅਤੇ ਕਾਰਜ-ਵਿਧੀਆਂ ਦੀ 90-ਸਫ਼ਿਆਂ ਵਾਲੀ ਕਿਤਾਬ ਬਾਰੇ ਵਾਰ-ਵਾਰ ਉਹੀ ਸਵਾਲ ਪੁੱਛਦੀ ਹੈ। ਇੱਕ ਟੀਮ ਮੁਖੀ, ਲਿਓਨ, ਨੇ ਆਮ ਚੈਟਬੌਟ ਵਰਤ ਕੇ ਦੇਖਿਆ: 'ਕੀ ਗਾਹਕ ਰਵਾਨਗੀ ਤੋਂ 10 ਦਿਨ ਪਹਿਲਾਂ ਮੁੱਖ ਯਾਤਰੀ ਦਾ ਨਾਂ ਬਦਲ ਸਕਦਾ ਹੈ, ਅਤੇ ਕੀ ਇਸ ਦੀ ਕੋਈ ਫ਼ੀਸ ਹੈ?' ਚੈਟਬੌਟ ਨੇ ਪੂਰੇ ਭਰੋਸੇ ਨਾਲ ਏਅਰਲਾਈਨ ਦੇ ਨਿਯਮਾਂ ਅਤੇ ਅਜਿਹੀ ਫ਼ੀਸ ਬਾਰੇ ਇੱਕ ਆਮ ਜਵਾਬ ਦਿੱਤਾ ਜੋ ਟਾਈਡਵਾਟਰ ਲੈਂਦਾ ਹੀ ਨਹੀਂ। ਅਸਲ ਜਵਾਬ ਕਿਤਾਬ ਦੇ ਭਾਗ 4.2 ਵਿੱਚ ਹੈ, ਜੋ ਚੈਟਬੌਟ ਨੇ ਕਦੇ ਦੇਖੀ ਹੀ ਨਹੀਂ।
ਜਾਣਕਾਰੀ ਖੋਜ ਕੇ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ?
ਜਾਣਕਾਰੀ ਲੱਭ ਕੇ ਉਸ ਦੇ ਆਧਾਰ ’ਤੇ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਤਿੰਨ ਪੜਾਵਾਂ ਵਿੱਚ ਕੰਮ ਕਰਦੀ ਹੈ: ਸਵਾਲ ਨਾਲ ਸਭ ਤੋਂ ਵੱਧ ਸੰਬੰਧਿਤ ਅੰਸ਼ ਲੱਭੋ, ਉਨ੍ਹਾਂ ਨੂੰ ਪ੍ਰੌਮਪਟ ਵਿੱਚ ਜੋੜੋ, ਫਿਰ ਮਾਡਲ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਆਧਾਰ ’ਤੇ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਦਿਓ। Anthropic ਦੀ ਸ਼ਬਦਾਵਲੀ ਵੀ ਇਹੀ ਵਿਚਾਰ ਸਮਝਾਉਂਦੀ ਹੈ: ਸਵਾਲ ਪੁੱਛੇ ਜਾਣ ਵੇਲੇ ਗਿਆਨ-ਭੰਡਾਰ ਵਿੱਚੋਂ ਸੰਬੰਧਿਤ ਜਾਣਕਾਰੀ ਲੱਭੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਮੂਲ ਸਵਾਲ ਦੇ ਨਾਲ ਮਾਡਲ ਨੂੰ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ।
ਇਹ ਸ਼ਬਦ ਪੈਟਰਿਕ ਲੂਇਸ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਸਹਿਯੋਗੀਆਂ ਦੇ 2020 ਦੇ ਇੱਕ ਖੋਜ ਪੱਤਰ ਤੋਂ ਆਇਆ ਹੈ। ਇਸ ਵਿੱਚ ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ ਨੂੰ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਖੋਜਯੋਗ ਸੂਚੀ ਨਾਲ ਜੋੜਿਆ ਗਿਆ ਸੀ ਅਤੇ ਪਾਇਆ ਗਿਆ ਕਿ ਇਕੱਲੇ ਮਾਡਲ ਦੇ ਮੁਕਾਬਲੇ ਜਵਾਬ ਵਧੇਰੇ ਖ਼ਾਸ ਅਤੇ ਤੱਥਾਂ ’ਤੇ ਆਧਾਰਿਤ ਸਨ।
1. ਦਸਤਾਵੇਜ਼ ਤਿਆਰ ਕਰੋ
ਹੱਥਪੁਸਤਕ ਨੂੰ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ, ਜਿਵੇਂ ਹਰ ਹਿੱਸੇ ਵਿੱਚ ਇੱਕ ਭਾਗ ਜਾਂ ਕੁਝ ਪੈਰੇ, ਤਾਂ ਜੋ ਖੋਜ ਪੂਰੀ ਕਿਤਾਬ ਦੀ ਥਾਂ ਸਬੰਧਤ ਛੋਟਾ ਅੰਸ਼ ਵਾਪਸ ਕਰ ਸਕੇ।
2. ਅਰਥ ਦੇ ਆਧਾਰ 'ਤੇ ਉਨ੍ਹਾਂ ਦੀ ਸੂਚੀਬੱਧ ਬਣਤਰ ਬਣਾਓ
ਹਰੇਕ ਟੁਕੜੇ ਨੂੰ ਇੱਕ ਐਮਬੈਡਿੰਗ ਵਿੱਚ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ—ਅੰਕਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਜੋ ਉਸ ਦੇ ਅਰਥ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ—ਅਤੇ ਵੈਕਟਰ ਡਾਟਾਬੇਸ ਵਿੱਚ ਸੰਭਾਲਿਆ ਜਾਂਦਾ ਹੈ। AWS ਇਸ ਪੜਾਅ ਨੂੰ ਡਾਟੇ ਨੂੰ ਅੰਕਾਂ ਵਾਲੇ ਰੂਪ ਵਿੱਚ ਬਦਲਣਾ ਦੱਸਦਾ ਹੈ, ਤਾਂ ਜੋ ਉਸ ਨੂੰ ਸਵਾਲਾਂ ਨਾਲ ਮਿਲਾਇਆ ਜਾ ਸਕੇ।
3. ਜਾਣਕਾਰੀ ਲੱਭ ਕੇ ਲਿਆਓ
ਸਵਾਲ ਨੂੰ ਵੀ ਉਸੇ ਤਰੀਕੇ ਨਾਲ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਸਭ ਤੋਂ ਵੱਧ ਮਿਲਦੇ ਟੁਕੜੇ ਲੱਭਣ ਲਈ ਸੂਚਕਾਂਕ ਨਾਲ ਮਿਲਾਇਆ ਜਾਂਦਾ ਹੈ। ਕਈ ਸਿਸਟਮ ਇਸ ਦੇ ਨਾਲ ਆਮ ਮੁੱਖ-ਸ਼ਬਦ ਖੋਜ ਵੀ ਵਰਤਦੇ ਹਨ।
4. ਹਦਾਇਤ ਵਿੱਚ ਹੋਰ ਸੰਦਰਭ ਜੋੜੋ
ਸਭ ਤੋਂ ਉੱਪਰਲੇ ਅੰਸ਼ ਨਿਰਦੇਸ਼ ਵਿੱਚ ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਹਦਾਇਤ ਨਾਲ ਰੱਖੇ ਜਾਂਦੇ ਹਨ: 'ਸਿਰਫ਼ ਇਨ੍ਹਾਂ ਅੰਸ਼ਾਂ ਦੇ ਆਧਾਰ ’ਤੇ ਜਵਾਬ ਦਿਓ ਅਤੇ ਭਾਗ ਦਾ ਹਵਾਲਾ ਦਿਓ'।
5. ਤਿਆਰ ਕਰੋ
ਮਾਡਲ ਦਿੱਤੇ ਗਏ ਪਾਠ ਤੋਂ ਜਵਾਬ ਲਿਖਦਾ ਹੈ ਅਤੇ ਆਦਰਸ਼ ਤੌਰ ’ਤੇ ਵਰਤੇ ਗਏ ਅੰਸ਼ਾਂ ਨੂੰ ਉਧਰਿਤ ਕਰਦਾ ਹੈ ਜਾਂ ਉਨ੍ਹਾਂ ਦੇ ਹਵਾਲੇ ਦਿੰਦਾ ਹੈ।
RAG ਨਾਲ ਅਤੇ ਇਸ ਤੋਂ ਬਿਨਾਂ ਜਵਾਬ ਕਿਹੋ ਜਿਹਾ ਹੁੰਦਾ ਹੈ?
RAG ਤੋਂ ਬਿਨਾਂ: 'ਜ਼ਿਆਦਾਤਰ ਯਾਤਰਾ ਕੰਪਨੀਆਂ ਏਅਰਲਾਈਨ ਦੀ ਨੀਤੀ ਦੇ ਅਧੀਨ ਪ੍ਰਤੀ ਵਿਅਕਤੀ ਲਗਭਗ 50 ਤੋਂ 100 ਦੀ ਫ਼ੀਸ ਲੈ ਕੇ ਨਾਮ ਬਦਲਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀਆਂ ਹਨ।' ਇਹ ਮਦਦਗਾਰ ਲੱਗਦਾ ਹੈ, ਪਰ ਇਹ ਟਾਈਡਵਾਟਰ ਦੀ ਨੀਤੀ ਨਹੀਂ ਹੈ, ਅਤੇ ਕੋਈ ਵੀ ਜਾਂਚ ਨਹੀਂ ਕਰ ਸਕਦਾ ਕਿ ਇਹ ਜਾਣਕਾਰੀ ਕਿੱਥੋਂ ਆਈ ਹੈ।
RAG ਨਾਲ: ਪ੍ਰਣਾਲੀ ਹੱਥ-ਪੁਸਤਕ ਦੇ ਭਾਗ 4.2 ਅਤੇ ਭਾਗ 4.5 ਲੱਭ ਕੇ ਲਿਆਉਂਦੀ ਹੈ, ਅਤੇ ਮਾਡਲ ਜਵਾਬ ਦਿੰਦਾ ਹੈ: 'ਹਾਂ। ਭਾਗ 4.2 ਮੁਤਾਬਕ ਰਵਾਨਗੀ ਤੋਂ 7 ਦਿਨ ਪਹਿਲਾਂ ਤੱਕ ਮੁੱਖ ਯਾਤਰੀ ਦਾ ਨਾਮ ਬਿਨਾਂ ਕਿਸੇ ਫ਼ੀਸ ਦੇ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਭਾਗ 4.5 ਕਹਿੰਦਾ ਹੈ ਕਿ ਉਡਾਣ ਸਮੇਤ ਪੈਕੇਜਾਂ ਉੱਤੇ ਏਅਰਲਾਈਨ ਦੀ ਆਪਣੀ ਬਦਲਾਅ ਫ਼ੀਸ ਲੱਗ ਸਕਦੀ ਹੈ, ਜੋ ਬੁਕਿੰਗ ਪ੍ਰਣਾਲੀ ਦਿਖਾਉਂਦੀ ਹੈ। ਸਰੋਤ: ਹੱਥ-ਪੁਸਤਕ ਦੇ ਭਾਗ 4.2 ਅਤੇ 4.5।' ਲਿਓਨ ਦੋਵੇਂ ਭਾਗ ਖੋਲ੍ਹ ਕੇ ਕੁਝ ਸਕਿੰਟਾਂ ਵਿੱਚ ਜਵਾਬ ਦੀ ਪੁਸ਼ਟੀ ਕਰ ਸਕਦਾ ਹੈ। ਜੇ ਹੱਥ-ਪੁਸਤਕ ਬਦਲਦੀ ਹੈ, ਤਾਂ ਨਵਾਂ ਸੰਸਕਰਣ ਸੂਚੀਬੱਧ ਹੁੰਦੇ ਹੀ ਜਵਾਬ ਵੀ ਬਦਲ ਜਾਂਦਾ ਹੈ।
ਤੁਹਾਨੂੰ RAG ਕਦੋਂ ਵਰਤਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਕਦੋਂ ਨਹੀਂ?
ਜਦੋਂ ਜਵਾਬ ਦਸਤਾਵੇਜ਼ਾਂ ਦੇ ਕਿਸੇ ਖਾਸ, ਬਦਲਦੇ ਸਮੂਹ ਵਿੱਚੋਂ ਆਉਣੇ ਲਾਜ਼ਮੀ ਹੋਣ ਅਤੇ ਲੋਕਾਂ ਨੂੰ ਸਰੋਤ ਦੇਖਣ ਦੀ ਲੋੜ ਹੋਵੇ, ਤਾਂ RAG ਵਰਤੋ। ਇਹ ਨੀਤੀ ਹੱਥ-ਪੁਸਤਕਾਂ, ਉਤਪਾਦ ਦਸਤਾਵੇਜ਼ਾਂ, ਸਹਾਇਤਾ ਗਿਆਨ-ਭੰਡਾਰਾਂ ਅਤੇ ਇਕਰਾਰਨਾਮਿਆਂ ਦੇ ਸੰਗ੍ਰਹਿਆਂ ਲਈ ਢੁਕਵਾਂ ਹੈ। Anthropic ਦੀ ਸ਼ਬਦਾਵਲੀ ਅਨੁਸਾਰ, ਇਹ ਤਾਜ਼ਾ ਜਾਣਕਾਰੀ, ਕਿਸੇ ਖਾਸ ਖੇਤਰ ਦੇ ਗਿਆਨ ਅਤੇ ਸਰੋਤਾਂ ਦੇ ਸਪਸ਼ਟ ਹਵਾਲਿਆਂ ਲਈ ਖਾਸ ਤੌਰ 'ਤੇ ਲਾਭਦਾਇਕ ਹੈ।
RAG ਉਦੋਂ ਹੱਲ ਨਹੀਂ ਹੈ ਜਦੋਂ ਦਸਤਾਵੇਜ਼ ਇੰਨੇ ਛੋਟੇ ਹੋਣ ਕਿ ਉਨ੍ਹਾਂ ਨੂੰ ਸਿੱਧਾ ਪ੍ਰੌਮਪਟ ਵਿੱਚ ਪੇਸਟ ਕੀਤਾ ਜਾ ਸਕੇ, ਜਦੋਂ ਕੰਮ ਤੱਥਾਂ ਦੀ ਬਜਾਏ ਸ਼ੈਲੀ ਜਾਂ ਫਾਰਮੈਟ ਬਾਰੇ ਹੋਵੇ, ਜਾਂ ਜਦੋਂ ਸਰੋਤ ਦਸਤਾਵੇਜ਼ ਹੀ ਭਰੋਸੇਯੋਗ ਨਾ ਹੋਣ। ਇਹ ਇਜਾਜ਼ਤਾਂ ਦੀ ਥਾਂ ਵੀ ਨਹੀਂ ਲੈਂਦਾ: ਜੇ ਕੋਈ ਅੰਸ਼ ਲੱਭ ਕੇ ਲਿਆਂਦਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਮਾਡਲ ਉਸ ਨੂੰ ਦੁਹਰਾ ਸਕਦਾ ਹੈ, ਇਸ ਲਈ ਪਹੁੰਚ ਦੇ ਨਿਯੰਤਰਣ ਜਾਣਕਾਰੀ ਲੱਭਣ ਤੋਂ ਪਹਿਲਾਂ ਲਾਗੂ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ।
ਜਾਣਕਾਰੀ ਖੋਜ ਕੇ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਗੜਬੜ ਕਿਵੇਂ ਹੁੰਦੀ ਹੈ?
RAG ਵਿੱਚ ਗੜਬੜ ਆਮ ਤੌਰ 'ਤੇ ਜਵਾਬ ਬਣਾਉਣ ਦੀ ਬਜਾਏ ਜਾਣਕਾਰੀ ਲੱਭਣ ਵੇਲੇ ਹੁੰਦੀ ਹੈ: ਜੇ ਗ਼ਲਤ ਅੰਸ਼ ਮਿਲ ਜਾਵੇ, ਤਾਂ ਮਾਡਲ ਉਸ ਦੇ ਆਧਾਰ 'ਤੇ ਭਰੋਸੇ ਨਾਲ ਜਵਾਬ ਲਿਖ ਦਿੰਦਾ ਹੈ। Anthropic ਮੁਤਾਬਕ RAG ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਗਿਆਨ-ਭੰਡਾਰ ਅਤੇ ਲੱਭੀ ਗਈ ਜਾਣਕਾਰੀ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਪ੍ਰਸੰਗਿਕਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ।
ਗ਼ਲਤ ਜਾਂ ਅਧੂਰਾ ਹਿੱਸਾ
ਅਪਵਾਦ ਵਾਲਾ ਅੰਸ਼ ਨਿਯਮ ਤੋਂ ਵੱਖਰੇ ਟੁਕੜੇ ਵਿੱਚ ਹੈ, ਇਸ ਲਈ ਜਵਾਬ ਵਿੱਚ ਉਹ ਰਹਿ ਜਾਂਦਾ ਹੈ।
ਪੁਰਾਣੇ ਜਾਂ ਦੁਹਰਾਏ ਗਏ ਸੰਸਕਰਣ
ਪਿਛਲੇ ਸਾਲ ਦੀ ਨਿਯਮ-ਪੁਸਤਿਕਾ ਅਜੇ ਵੀ ਇਸ ਸਾਲ ਦੀ ਪੁਸਤਿਕਾ ਦੇ ਨਾਲ ਸੂਚੀਬੱਧ ਹੈ, ਅਤੇ ਸਿਸਟਮ ਪੁਰਾਣੀ ਪੁਸਤਿਕਾ ਲੱਭ ਲੈਂਦਾ ਹੈ।
ਮਾਡਲ ਮੂਲ ਲਿਖਤ ਤੋਂ ਭਟਕ ਜਾਂਦਾ ਹੈ
ਮਾਡਲ ਲੱਭ ਕੇ ਲਿਆਂਦੇ ਪਾਠ ਨੂੰ ਆਪਣੇ ਆਮ ਗਿਆਨ ਨਾਲ ਮਿਲਾ ਦਿੰਦਾ ਹੈ। ਸਿਰਫ਼ ਸਰੋਤਾਂ ਦੇ ਆਧਾਰ ’ਤੇ ਜਵਾਬ ਦੇਣ ਦੀਆਂ ਹਦਾਇਤਾਂ ਅਤੇ ਸਪਸ਼ਟ ਹਵਾਲੇ ਇਸ ਮਿਲਾਵਟ ਨੂੰ ਪਛਾਣਨਾ ਸੌਖਾ ਬਣਾਉਂਦੇ ਹਨ।
ਕੋਈ ਚੰਗਾ ਜਵਾਬ ਮੌਜੂਦ ਨਹੀਂ ਹੈ
ਸਿਸਟਮ ਨੂੰ ਅੰਦਾਜ਼ਾ ਲਾਉਣ ਦੀ ਬਜਾਏ ਕਹਿਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਦਸਤਾਵੇਜ਼ਾਂ ਵਿੱਚ ਇਸ ਸਵਾਲ ਬਾਰੇ ਜਾਣਕਾਰੀ ਨਹੀਂ ਹੈ।
RAG ਦੀ Tosheo.ai ਦੀ ਪਾਠ-ਸੂਚੀ ਵਿੱਚ ਕੀ ਥਾਂ ਹੈ?
ਜਾਣਕਾਰੀ ਦੀ ਮੁੜ-ਪ੍ਰਾਪਤੀ ਨਾਲ ਸੰਵਰਿਆ ਸਿਰਜਣ, AI ਐਪਾਂ ਬਣਾਉਣ ਦੇ ਕੋਰਸ ਦੀ AI ਐਪਾਂ ਦਾ ਨਿਰਮਾਣ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਹੈ। ਇਹ ਪਾਠ ਕੰਪਨੀ ਦੇ ਦਸਤਾਵੇਜ਼ਾਂ ਉੱਤੇ ਬਣੇ AI ਸਹਾਇਕਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਵਾਲੇ ਕਿਸੇ ਵੀ ਵਿਅਕਤੀ ਲਈ ਧਾਰਨਾ ਸਮਝਾਉਣ ਵਾਲਾ ਰੂਪ ਹੈ। ਖਾਤਾ ਬਣਾਉਣ ਤੋਂ ਬਾਅਦ ਕੋਡ ਵਾਲੇ ਸਿੱਖਣ ਮਾਰਗ ਵਿੱਚ ਇੱਕ ਛੋਟੀ RAG ਐਪ ਅਮਲੀ ਤੌਰ ਉੱਤੇ ਬਣਾਈ ਜਾਂਦੀ ਹੈ—ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਵੰਡਣ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਅੰਕੀ ਰੂਪ ਬਣਾਉਣ ਤੋਂ ਲੈ ਕੇ ਜਾਣਕਾਰੀ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨ ਅਤੇ ਹਵਾਲਿਆਂ ਸਮੇਤ ਜਵਾਬ ਦੇਣ ਤੱਕ। ਹਰ ਕਦਮ ਉੱਤੇ ਅੰਕਾਂਕਣ ਮਾਪਦੰਡਾਂ ਅਨੁਸਾਰ ਫੀਡਬੈਕ ਮਿਲਦਾ ਹੈ।
ਸਰੋਤ ਅਤੇ ਦਾਇਰਾ
Anthropic Claude ਦੇ ਦਸਤਾਵੇਜ਼, ਸ਼ਬਦਾਵਲੀ ਵਿੱਚ RAG ਦੀ ਐਂਟਰੀ (19 ਅਕਤੂਬਰ 2026 ਨੂੰ ਜਾਂਚਿਆ) ↗
Anthropic Claude ਦੇ ਦਸਤਾਵੇਜ਼, ਹਵਾਲੇ ਦੇਣ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ (19 ਅਕਤੂਬਰ 2026 ਨੂੰ ਜਾਂਚਿਆ) ↗