Zpět na kurz

Úvod do RAG

25 min • +45 XP

Rozcvička

Krátké zopakování z předchozích lekcí. Po zobrazení ji můžeš přeskočit.

Po přihlášení se rozcvička sestaví z předchozích chyb, pastí a termínů opakování.

Teorie

Nejdřív si vytvoř pevný základ.

5.3 Úvod do RAG

  1. Řazení pipeline: dokumenty → rozdělení na kousky (chunking) → embeddingy → vektorová databáze → dotaz → nalezení relevantních kousků → prompt s kontextem → odpověď s citací.
  2. 🪤 Rozhodovací otázka celé kapitoly: Chci, aby AI odpovídala podle 400 stran interních pravidel. Co použiju?

a) fine-tuning b) RAG ✔ c) delší systémový prompt d) jiný model

Feedback: Fine-tuning je jako naučit se knihu nazpaměť před zkouškou. RAG je vzít si ji ke zkoušce otevřenou. U faktů vyhrává druhé.

  1. Scénář selhání RAG: Bot odpověděl špatně, ale zdroj citoval správně. Proč? (špatné chunkování — odpověď byla rozdělena na dva kousky · nalezl podobný, ne relevantní text · zdroj sám je zastaralý)
  2. Ano/Ne: RAG odstraní halucinace? → Sníží je, neodstraní. Vždy zobrazuj zdroj.

Kontrolní otázky

Odpovídej postupně, feedback dostaneš ihned.

Otázka 1

Seřaď RAG pipeline.

Klávesnice a dotyk: u každé položky vyber cíl v nabídce.

Otázka 2

AI má odpovídat podle 400 stran interních pravidel. Co použiješ?

Otázka 3

Bot odpověděl špatně, ale zdroj citoval správně. Proč?

Otázka 4

Odstraní RAG halucinace?

RAG zcela odstraní halucinace.
RAG má zobrazovat zdroj.

Mikro-úkol

Dobrovolný úkol přidá XP, ale neblokuje dokončení lekce.

Navrhni malou RAG pipeline a u každého kroku napiš, co se může pokazit.

Zapamatuj si

Tři myšlenky, ke kterým se můžeš vrátit.

  • Dokumenty se rozdělí, převedou na embeddingy a uloží.
  • Dotaz najde relevantní kousky a model odpoví s citací.
  • Fine-tuning je jako naučit se knihu nazpaměť před zkouškou.