Menyusun Semula Hasil yang Diambil
Tingkatkan ketepatan RAG dengan menyusun semula calon carian vektor awal menggunakan model pengekod silang sebelum konteks dihantar kepada LLM.
Menyusun Semula Hasil yang Diambil ialah pelajaran Pangkalan Data Vektor: Pinecone, Weaviate & pgvector percuma di CoddyKit. Ini ialah pelajaran 4 daripada 4. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Pangkalan Data Vektor: Pinecone, Weaviate & pgvector, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Pangkalan Data Vektor: Pinecone, Weaviate & pgvector merangkumi sejumlah 4 pelajaran.
Idea Penyusunan Semula Kedudukan
Carian vektor adalah pantas tetapi berbentuk anggaran. Penyusunan semula kedudukan mengambil calon teratas dan menyusunnya semula menggunakan model yang lebih tepat tetapi lebih perlahan — corak dua peringkat, iaitu dapatkan dahulu kemudian susun semula.
Bi-Pengekod berbanding Cross-Encoder
Bi-pengekod membenamkan pertanyaan dan dokumen secara berasingan (pantas dan digunakan untuk dapatan). Cross-Encoder menilai pertanyaan bersama dokumen (perlahan tetapi jauh lebih tepat) — sesuai untuk menyusun semula set yang kecil.
Saluran Paip Dua Peringkat
Langkah 1: dapatkan 50 teratas dengan pangkalan data vektor. Langkah 2: susun semula 50 itu dan kekalkan 5 teratas. Anda mendapat kualiti cross-encoder dengan kelajuan yang hampir seperti carian vektor.
candidates = vector_db.search(query, k=50)
ranked = reranker.rank(query, candidates)
top = ranked[:5]Menggunakan Cross-Encoder
Cross-encoder menerima pasangan dan menghasilkan skor kerelevanan. Nilai yang lebih tinggi bermaksud lebih relevan.
from sentence_transformers import CrossEncoder
model = CrossEncoder('cross-encoder/ms-marco-MiniLM-L-6-v2')
scores = model.predict([(query, doc) for doc in candidates])Menyusun Mengikut Skor
Pasangkan setiap dokumen dengan skornya dan susun secara menurun untuk menghasilkan susunan akhir.
ranked = sorted(zip(candidates, scores), key=lambda x: x[1], reverse=True)
for doc, score in ranked[:5]:
print(round(score, 3), doc[:40])API Penyusunan Semula Berhos
Perkhidmatan seperti Cohere Rerank dan Jina menawarkan penyusun semula berhos melalui API, jadi anda tidak perlu mengehoskan model sendiri.
POST /v1/rerank
{ "query": "...", "documents": [...], "top_n": 5 }Memilih Bilangan Calon
Dapatkan calon yang mencukupi supaya jawapan sebenar yang terbaik berada dalam set tersebut (ingatan semula tinggi), tetapi jangan terlalu banyak sehingga penyusunan semula menjadi perlahan. 20-100 ialah julat biasa.
Pertukaran Kependaman
Penyusunan semula menambah kependaman berkadar dengan bilangan calon. Simpan hasil dalam cache, kumpulkan panggilan cross-encoder secara kelompok dan tala bilangan calon mengikut SLA anda.
Penyusunan Semula dan Penapis
Gunakan penapis metadata semasa dapatan, kemudian susun semula hanya set yang telah ditapis. Ini memastikan penyusun semula tertumpu pada calon yang sah.
Mengukur Peningkatan
Bandingkan nDCG atau kadar dapatan dengan dan tanpa penyusunan semula pada set berlabel. Penyusunan semula biasanya memberikan peningkatan ketepatan yang besar pada korpus yang bising.
Bila Perlu Melangkauinya
Jika korpus anda kecil dan bersih, atau kependaman amat penting, carian vektor biasa mungkin sudah memadai. Penyusunan semula paling berbaloi pada set data yang besar dan pelbagai.
Semakan Pantas
Uji pengetahuan anda tentang penyusunan semula kedudukan.
Ringkasan
Anda telah mempelajari corak dapatkan kemudian susun semula, perbezaan antara bi-pengekod dengan cross-encoder, cara memberikan skor dan menyusun calon, serta masa penyusunan semula berbaloi dengan kos kependamannya.
Pelajari Pangkalan Data Vektor: Pinecone, Weaviate & pgvector dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 12
- Pelajaran
- 48
Soalan Lazim
Adakah pelajaran “Menyusun Semula Hasil yang Diambil” percuma?
Ya — sebanyak 3 pelajaran dalam laluan pembelajaran Pangkalan Data Vektor: Pinecone, Weaviate & pgvector, termasuk “Menyusun Semula Hasil yang Diambil”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus Pangkalan Data Vektor: Pinecone, Weaviate & pgvector merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Menyusun Semula Hasil yang Diambil”?
Tingkatkan ketepatan RAG dengan menyusun semula calon carian vektor awal menggunakan model pengekod silang sebelum konteks dihantar kepada LLM. Anda berlatih Pangkalan Data Vektor: Pinecone, Weaviate & pgvector menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Pangkalan Data Vektor: Pinecone, Weaviate & pgvector?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Pangkalan Data Vektor: Pinecone, Weaviate & pgvector di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 4 daripada 4.
Berapa lamakah pelajaran “Menyusun Semula Hasil yang Diambil” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Pangkalan Data Vektor: Pinecone, Weaviate & pgvector ini?
Ya. Setiap pelajaran Pangkalan Data Vektor: Pinecone, Weaviate & pgvector menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Teknik Transformasi Pertanyaan
- Saluran Paip RAG Berbilang Peringkat
- Menilai Prestasi Sistem RAG
- Menyusun Semula Hasil yang Diambil