Building Your First RAG Application

စိတ်လျှော့ပါ။ ဒီခန်းကို စာအုပ်လိုမဟုတ်ဘဲ စကားပြောသလိုပဲ၊ နားလည်လွယ်အောင် ရှင်းပါမယ်။

Document upload မှ retrieval၊ grounded answer နဲ့ citation အထိ RAG application ပထမ version တည်ဆောက်မည်။

ခဏလေး ဒီလိုပဲ စဉ်းစားကြည့်

ပထမ RAG app ကို feature အများကြီးမထည့်ဘဲ document အနည်းငယ်၊ query တစ်ခု၊ top results နဲ့ answer တစ်ခုသာလုပ်ပါ။ အရေးကြီးတာက answer အပြင် ဘယ် source ကိုယူသုံးခဲ့လဲ ပြနိုင်ခြင်းပါ။

Building Your First RAG Application lesson illustration — RAG and Vector Search — Building Your First RAG Application

နေ့စဉ်ဘဝနဲ့ ချိတ်ကြည့်မယ်

Ingestion အချိန်မှာ file ကို parse၊ chunk၊ embed ပြီး vector store ထဲတင်ပါ။ Query အချိန်မှာ top chunks ရှာ၊ context အဖြစ်ပို့ပြီး source မရှိရင် မဖြေရန် instruction ထည့်ပါ။ Retrieval result နဲ့ final answer ကို သီးခြား log လုပ်ပြီး စမ်းသပ်ပါ။

Document ingestion pipeline
Semantic search နှင့် top-k
Grounded-answer instruction
Source citation နှင့် no-answer behavior

အတူတူ လက်တွေ့စမ်းမယ်

javascript

const results = await vectorStore.search(userQuestion, { topK: 4 });
const context = results.map((item) => item.text).join("\n\n");

const response = await client.responses.create({
  model: "gpt-5.6",
  input: `အောက်ပါ context ကိုသာသုံးပြီး ဖြေပါ။ မတွေ့လျှင် မတွေ့ကြောင်းပြောပါ။\n\n${context}\n\nမေးခွန်း: ${userQuestion}`,
});

console.log(response.output_text);

You should see

ဆိုင်ရာ document အပိုင်းများကိုသုံးပြီး grounded answer တစ်ခုရမည်။

၅ မိနစ် စမ်းကြည့်

Markdown FAQ ဖိုင်ငါးခုနဲ့ mini RAG app တည်ဆောက်ပါ။ Answer အောက်မှာ source title နဲ့ link ပြပါ။ မဆိုင်တဲ့မေးခွန်း ၅ ခုနဲ့ပါ စမ်းပါ။

သတိလေးတစ်ချက်

AI output ကို အပြီးသတ်အမှန်လို့မယူပါနှင့်။ အရေးကြီးတဲ့အချက်၊ code နဲ့ user data ကို လူကပြန်စစ်ပြီးမှ အသုံးပြုပါ။

OpenAI — Retrieval — OpenAI

OpenAI — Embeddings — OpenAI