Introduction to RAG

စိတ်လျှော့ပါ။ ဒီခန်းကို စာအုပ်လိုမဟုတ်ဘဲ စကားပြောသလိုပဲ၊ နားလည်လွယ်အောင် ရှင်းပါမယ်။

Retrieval-Augmented Generation က ကိုယ့် document များထဲမှ ဆိုင်ရာအချက်ရှာပြီး LLM အဖြေကို ဘယ်လို ground လုပ်ပေးသလဲ လေ့လာမည်။

ခဏလေး ဒီလိုပဲ စဉ်းစားကြည့်

RAG မှာ user မေးခွန်းနဲ့ဆိုင်တဲ့ document အပိုင်းများကို အရင်ရှာပြီး၊ တွေ့တဲ့ context ကို prompt ထဲထည့်ကာ model ကိုဖြေခိုင်းပါတယ်။ Model ကိုပြန်လေ့ကျင့်ခြင်းမဟုတ်ဘဲ ဖြေချိန်မှာလိုအပ်တဲ့အချက်ပေးခြင်း ဖြစ်ပါတယ်။

Introduction to RAG lesson illustration — RAG and Vector Search — Introduction to RAG

နေ့စဉ်ဘဝနဲ့ ချိတ်ကြည့်မယ်

Company policy၊ product docs နဲ့ knowledge base Q&A လို source အခြေပြုအဖြေမှာ RAG အသုံးဝင်ပါတယ်။ Retrieval မကောင်းရင် generation လည်းမကောင်းပါဘူး။ Answer quality တစ်ခုတည်းမစစ်ဘဲ retrieved chunks ကိုပါ စစ်ရပါတယ်။

Documents ကို သန့်ရှင်းပြီး chunk ခွဲပါ
Embeddings ဖန်တီးပြီး index ထဲထားပါ
Question နဲ့ဆိုင်တဲ့ chunks ရှာပါ
Context နှင့် citation ပါအောင် ဖြေခိုင်းပါ

အတူတူ လက်တွေ့စမ်းမယ်

text

Documents → Chunk → Embed → Vector store
                                  ↑
Question → Embed → Search ────────┘
                    ↓
          Context + Question → LLM → Answer

You should see

RAG pipeline ကို အဆင့်လိုက်ရှင်းပြနိုင်မည်။

၅ မိနစ် စမ်းကြည့်

FAQ document ငါးခုအတွက် RAG flow ကိုဆွဲပါ။ Retrieval မတွေ့သည့်အခါ “အချက်အလက်မတွေ့ပါ” ပြန်မည့် rule ထည့်ပါ။

သတိလေးတစ်ချက်

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

OpenAI — Retrieval — OpenAI