მეხსიერება (RAG)

Simpler-ის RAG (Retrieval-Augmented Generation) სისტემა იყენებს MongoDB-ს ვექტორული ძიების შესაძლებლობებს ცოდნის შესანახად და მოსაძიებლად კოსინუსური მსგავსების (cosine similarity) შესატყვისობით. ეს ქმნის ინტელექტუალური მოძიების მექანიზმს, რომელიც პოულობს ყველაზე რელევანტურ ინფორმაციას თითოეული შეკითხვისთვის. როდესაც დოკუმენტები იტვირთება სისტემაში, ისინი გარდაიქმნება ვექტორულ ჩანართებად (vector embeddings) და ინახება MongoDB-ს ვექტორულ მონაცემთა ბაზაში, ხოლო საწარმოს სისტემებთან API კავშირები ქმნის დინამიურ ვექტორებს, რომლებიც განახლდება რეალურ დროში, როგორც კი წყაროს მონაცემები შეიცვლება.

RAG მეხსიერება მუშაობს ხელსაწყოების გამოყენების ნიმუშის (tool use pattern) მეშვეობით და არა იმაზე დაყრდნობით, რომ ყველა კონტექსტი ჩაიტვირთოს ყველა შეტყობინებაში. ეს ნიშნავს, რომ AI აქტიურად აგზავნის მოთხოვნებს ვექტორულ მონაცემთა ბაზაში მხოლოდ მაშინ, როდესაც საჭიროა კონკრეტული ინფორმაცია, ნაცვლად მასიური კონტექსტების წინასწარ ჩატვირთვისა, რაც შეანელებდა პასუხის გაცემის დროს. როდესაც შეკითხვა ცოდნის მოძიებას მოითხოვს, სისტემა კითხვას გარდაქმნის ვექტორულ წარმოდგენად და ასრულებს კოსინუსური მსგავსების ძიებას MongoDB-ში, რათა იდენტიფიცირება მოახდინოს ყველაზე რელევანტური დოკუმენტის ფრაგმენტების (chunks) ან API მონაცემთა წერტილების (data points).

ეს მიდგომა საშუალებას აძლევს სისტემას შეინარჩუნოს უზარმაზარი ცოდნის რეპოზიტორები როგორც ატვირთული ფაილებიდან, ასევე ცოცხალი API ინტეგრაციებიდან, AI მოდელის კონტექსტის ფანჯრის გადატვირთვის გარეშე. ხელსაწყოების გამოყენების მექანიზმი უზრუნველყოფს, რომ მხოლოდ ზუსტად რელევანტური ინფორმაცია მოძიებულ იქნეს და ჩაემატოს საუბარში ზუსტად იმ მომენტში, როდესაც ის საჭიროა, რაც ინარჩუნებს ეფექტურობას და უზრუნველყოფს შეუზღუდავი ცოდნის წყაროებზე წვდომას, რომლებიც ინახება MongoDB-ს ვექტორულ მონაცემთა ბაზაში.