パターンを読み込んでいます…
📚
ナイーブ RAG(NRAG)
従来のインデックス作成・検索・生成のプロセスに従う、基盤的な「Retrieve-Read」フレームワーク
複雑さ: low知識検索（RAG）
30秒でわかる概要
- 概要
- セマンティック検索で最も一致する文書の一節を取得し、それらをプロンプトに連結してから回答を生成します。
- 使いどころ
- 十分にインデックス化された文書に対する単純な事実質問で、検索の精度が高く、多段階の推論を必要としない場合。
- 注意点
- 取得した一節どうしが矛盾したり、無関係なノイズを含んだりすることがあり、ランキングやフィルタリングがなければ回答の質が落ちます。
このパターンについてAIエキスパートに質問
質問が入力済みの状態でアシスタントが開きます。送信前に内容を確認できます。
ナイーブ RAG: 概要
従来のインデックス作成・検索・生成のプロセスに従う、基盤的な「Retrieve-Read」フレームワーク
- Simple retrieval pipeline
- Direct passage integration
- Basic semantic search
- Sequential processing
- Straightforward generation
- Minimal preprocessing
The Agent Architect
1つのパターン、1つのトレードオフ、1つの本番障害事例。エージェントシステムを構築する人のための短い週刊ブリーフィング。
週1回のメール、ワンクリックで購読解除できます。アドレスはブリーフィングの送信のみに使用します。
参考文献
このパターンの根拠となる論文、仕様、リポジトリです。
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al., 2020)arXiv:2005.11401
- Dense Passage Retrieval for Open-Domain Question Answering (Karpukhin et al., 2020)arXiv:2004.04906
- Retrieval Augmentation Reduces Hallucination in ConversationarXiv:2104.07567
- Retrieval-Augmented Generation for Large Language Models: A Survey (Gao et al., 2023)arXiv:2312.10997
- A Comprehensive Survey of RAG: Evolution and Future Directions (Gupta et al., 2024)arXiv:2410.12837
このカタログを作ったエンジニアが担当
エージェント構成をレビューします
このページが扱うのは1つのパターンです。実際のシステムは数十を組み合わせて動き、障害の多くはその繋ぎ目で起きます。カタログの288パターンに照らして設計全体をレビューします。アーキテクチャ、信頼性、評価、コストまで、指摘ごとに対応するパターンを示します。
€750（通常€1,500）・1週間・文書レポートとウォークスルーコール・9月30日まで