Récupération d’informations contextuelles
Mettez en œuvre des stratégies pour retrouver le contexte le plus pertinent dans votre magasin de vecteurs afin d’enrichir les invites des LLM.
Récupération d’informations contextuelles est une leçon Vector Databases: Pinecone, Weaviate & pgvector gratuite sur CoddyKit. Ceci est la leçon 3 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Vector Databases: Pinecone, Weaviate & pgvector, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Vector Databases: Pinecone, Weaviate & pgvector comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
What is Context Retrieval?
In a Retrieval-Augmented Generation (RAG) system, the Large Language Model (LLM) needs relevant information to generate accurate responses.
- Contextual Information Retrieval is the process of finding and fetching this relevant data from your vector database.
- It's the bridge that connects the user's query to the knowledge stored in your specialized data.
The Retrieval Workflow
When a user asks a question, several steps happen to get the right context:
- The user's question (query) is converted into a vector embedding.
- This query embedding is sent to the vector database.
- The vector database searches for stored document embeddings that are most similar to the query embedding.
- The text chunks associated with these similar embeddings are retrieved and sent to the LLM.
Vector Similarity Basics
The core of retrieval is vector similarity. Your vector database calculates how 'close' your query vector is to all the stored document vectors.
- Closer vectors mean higher semantic similarity.
- Common similarity metrics include cosine similarity or Euclidean distance.
- The database efficiently finds the closest vectors, usually using specialized indexing techniques.
Simple Top-K Retrieval
The most straightforward retrieval strategy is Top-K Retrieval.
- You simply ask the vector database to return the
Kmost similar document chunks to your query. Kis a number you choose (e.g., 3, 5, or 10), representing how many pieces of context you want to provide to the LLM.- While simple, choosing the right
Kis crucial for balancing relevance and LLM token limits.
Python Top-K Retrieval Demo
This simple Python code simulates a vector store and demonstrates how top_k retrieval works. Try changing the top_k value!
import math
class SimpleVectorStore:
def __init__(self):
self.vectors = {}
def add_document(self, doc_id, vector, text):
self.vectors[doc_id] = {"vector": vector, "text": text}
def _cosine_similarity(self, vec1, vec2):
dot_product = sum(v1 * v2 for v1, v2 in zip(vec1, vec2))
magnitude1 = math.sqrt(sum(v**2 for v in vec1))
magnitude2 = math.sqrt(sum(v**2 for v in vec2))
if magnitude1 == 0 or magnitude2 == 0:
return 0.0
return dot_product / (magnitude1 * magnitude2)
def query(self, query_vector, top_k=3):
similarities = []
for doc_id, data in self.vectors.items():
sim = self._cosine_similarity(query_vector, data["vector"])
similarities.append((sim, doc_id, data["text"]))
similarities.sort(key=lambda x: x[0], reverse=True)
return [{"id": s[1], "text": s[2], "similarity": s[0]} for s in similarities[:top_k]]
if __name__ == "__main__":
store = SimpleVectorStore()
store.add_document("doc1", [0.1, 0.2, 0.3], "The quick brown fox jumps over the lazy dog.")
store.add_document("doc2", [0.15, 0.25, 0.35], "A fast fox leaps over a sleepy canine.")
store.add_document("doc3", [0.8, 0.7, 0.9], "Artificial intelligence is transforming industries.")
store.add_document("doc4", [0.75, 0.85, 0.95], "Machine learning algorithms are key to AI.")
query_vec = [0.12, 0.22, 0.32] # Simulating an embedding for "fast animal"
print("--- Top 2 Relevant Chunks ---")
results = store.query(query_vec, top_k=2)
for res in results:
print(f"ID: {res['id']}, Sim: {res['similarity']:.2f}, Text: {res['text']}")
print("\n--- Top 1 Relevant Chunk ---")
results_single = store.query(query_vec, top_k=1)
for res in results_single:
print(f"ID: {res['id']}, Sim: {res['similarity']:.2f}, Text: {res['text']}")Chunking for Effective Retrieval
The quality of your retrieval heavily depends on how your original documents were broken down into chunks before being embedded.
- Chunk Size: Too small, and context might be lost. Too large, and irrelevant information might be included.
- Overlap: Adding overlap between chunks helps ensure that important information isn't split across boundaries.
- Good chunking ensures each retrieved piece of context is meaningful and self-contained.
Enhancing Retrieval with Re-ranking
Sometimes, simple Top-K retrieval isn't enough. The most 'similar' vectors aren't always the most 'relevant' in context.
- Re-ranking is an optional but powerful step performed after initial retrieval.
- It takes the top K chunks from the vector database and uses a smaller, more specialized model to score their relevance more deeply.
- This secondary scoring helps filter out less useful chunks and prioritize truly pertinent information.
The Need for Re-ranking
Why do we need re-ranking?
- Vector similarity can sometimes be fooled by superficial semantic closeness.
- A re-ranker, often a smaller transformer model, can better understand the nuanced relationship between the query and the retrieved document chunks.
- It helps ensure the context provided to the LLM is not only similar but also highly relevant and useful for answering the user's specific question.
Advanced Retrieval Concepts
Beyond basic Top-K and re-ranking, advanced strategies can further improve retrieval:
- Query Expansion: Rewriting or adding terms to the user's original query to improve search results.
- Hybrid Search: Combining traditional keyword search (like full-text search) with vector similarity for a more comprehensive retrieval.
- These methods aim to make the initial retrieval even more robust before context is sent to the LLM.
Check Your Knowledge
Consider a RAG system that initially retrieves 10 document chunks using vector similarity. What are key benefits of adding a re-ranking step?
Contextual Retrieval Summary
You've learned how to retrieve relevant context for RAG systems!
- Contextual retrieval bridges user queries and stored knowledge.
- It involves converting queries to embeddings, querying the vector DB for similar vectors, and fetching associated text.
- Top-K retrieval is the basic method, but good chunking is vital.
- Re-ranking can further refine results by applying a secondary relevance filter.
- Advanced techniques like query expansion and hybrid search offer even more sophisticated retrieval.
Questions Fréquemment Posées
La leçon « Récupération d’informations contextuelles » est-elle gratuite ?
Oui — le texte complet de « Récupération d’informations contextuelles » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Vector Databases: Pinecone, Weaviate & pgvector, passe à CoddyKit PRO. Le cours Vector Databases: Pinecone, Weaviate & pgvector comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Récupération d’informations contextuelles » ?
Mettez en œuvre des stratégies pour retrouver le contexte le plus pertinent dans votre magasin de vecteurs afin d’enrichir les invites des LLM. Tu pratiques Vector Databases: Pinecone, Weaviate & pgvector avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Vector Databases: Pinecone, Weaviate & pgvector ?
Aucune expérience préalable n'est requise. Vector Databases: Pinecone, Weaviate & pgvector sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 3 sur 4.
Combien de temps prend la leçon « Récupération d’informations contextuelles » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Vector Databases: Pinecone, Weaviate & pgvector ?
Oui. Chaque leçon Vector Databases: Pinecone, Weaviate & pgvector inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Présentation de l’architecture d’un système RAG
- Intégrer des cadres LLM
- Récupération d’informations contextuelles
- Stratégies de découpage pour RAG