Hilfecenter-Assistenten
Artikel und gelöste Tickets werden mit Produkt und Sprache als Metadaten eingespielt. Jede Antwort stützt sich auf die Dokumentation des richtigen Produkts.
KI und LLMRetrievalPerformance- und Scale-Tarife
RAG-Wissensassistenten
Beantworten Sie Fragen über Ihre eigenen Dokumente mit Chunking, Metadatenfiltern, hybrider Vektor- und Stichwortsuche und gecachten Rerank-Scores, in einer Engine.
- Chunking-Strategien
- 3
- Vektor- und BM25-Suche
- Hybrid
- zusätzliche Vektordatenbanken
- 0
Schritt 1 von 5
Die Pipeline definieren
Ein Chunk pro Absatz. Verwenden Sie die Dimensionen Ihres Embedding-Modells (3 hält das Beispiel kurz).
Beispielsitzungplaying
# Die Pipeline definieren
hotkv> RAG.CREATE faq 3 STRATEGY paragraph
OK
Ein animierter Durchlauf mit echten HotKV-Befehlen und Beispielantworten. Klicken Sie auf einen Schritt, um direkt dorthin zu springen. Befehle und Antworten bleiben auf Englisch, genau so, wie Sie sie in HotKV eingeben und sehen.
Das Problem
Eine Retrieval-Pipeline bedeutet meist eine Vektordatenbank, einen Stichwortindex, einen Chunking-Job, einen Reranker und Glue-Code dazwischen. Jedes Teil ist ein weiterer Dienst, der betrieben, abgesichert und mit Ihren Dokumenten synchron gehalten werden muss, und der Reranker ist oft der langsamste und teuerste Schritt.
So löst HotKV es
HotKV legt die Pipeline in die Engine, die Ihre Anwendung ohnehin bedient. Definieren Sie eine Pipeline, spielen Sie Dokumente ein und durchsuchen Sie sie. Chunking, Dokumentmetadaten und eine Hybridsuche, die Vektorähnlichkeit mit BM25-Stichwortbewertung mischt, laufen alle serverseitig, und ein Rerank-Cache hält Cross-Encoder-Scores vor, sodass ein wiederholtes Paar aus Anfrage und Passage nie zweimal bewertet wird.
Schritt für Schritt
Was passiert, Befehl für Befehl
- 01
Die Pipeline definieren
Ein Chunk pro Absatz. Verwenden Sie die Dimensionen Ihres Embedding-Modells (3 hält das Beispiel kurz).
RAG.CREATE faq 3 STRATEGY paragraph - 02
Dokumente einspielen
Jedes Dokument wird serverseitig in Chunks zerlegt und mit seinen Metadaten und einem Vektor pro Chunk gespeichert.
RAG.INGEST faq doc:1 "To reset your password, click Forgot password on the login screen.\n\nBilling questions go to the billing team." META source help-center VECTORS 0.9,0.1,0.0 0.0,0.2,0.9 - 03
Hybridsuche
Vektorähnlichkeit und Stichwortrelevanz in einer Abfrage, beschränkt auf eine Quelle.
RAG.SEARCH faq "how do I reset my password" K 2 ALPHA 0.5 VECTOR 0.88,0.12,0.01 FILTER source help-center - 04
Reranking, aber nur einmal
Scores des Cross-Encoders werden pro Anfrage und Chunk in einem mit RERANK.CREATE angelegten Namespace gecacht, sodass eine beliebte Anfrage nicht erneut für das Reranking zahlt.
RERANK.GET faq_scores "reset password|doc:1:0" - 05
Antworten und die Pipeline prüfen
Die besten Chunks gehen als Kontext an das Modell, sodass die Antwort aus dem Hilfecenter kommt statt aus einer Vermutung. RAG.STATS zeigt, was die Pipeline enthält.
RAG.STATS faq
Wo es passt
Szenarien aus der Praxis
Recherche in Verträgen und Richtlinien
Verträge und Richtlinien werden nach Absätzen aufgeteilt, sodass abgerufene Passagen vollständige Klauseln sind, und die Stichwortbewertung erfasst exakte Begriffe wie Klauselnummern.
Engineering-Wissen
Runbooks, Designdokumente und Postmortems werden für einen Rufbereitschafts-Assistenten nach Bedeutung durchsuchbar.
Integriert
Was Sie bekommen
Chunking in der Engine
Chunking nach fester Größe, Satz oder Absatz. Chunks fester Größe nehmen eine Größe und Überlappung Ihrer Wahl.
RAG.CREATEHybridsuche
Vektorähnlichkeit und BM25-Stichwortbewertung in einer Abfrage, wobei ALPHA die Gewichtung festlegt.
RAG.SEARCHMetadatenfilter
Hängen Sie beim Einspielen Schlüssel-Wert-Paare an und filtern Sie bei der Suche danach.
RAG.INGESTFILTERRerank-Cache
Behalten Sie Cross-Encoder-Scores für Paare aus Anfrage und Passage, sodass Wiederholungen nichts kosten.
RERANK.GETRERANK.SETHäufige Fragen
Erstellt HotKV die Embeddings?
Nein. Sie erzeugen Embeddings mit dem Modell Ihrer Wahl und übergeben sie beim Einspielen mit VECTORS und bei der Suche mit VECTOR.
Kann ich ohne Vektoren suchen?
Ja. RAG.SEARCH nimmt den Anfragetext für die Stichwortbewertung, und die Option VECTOR ergänzt die Vektorähnlichkeit. ALPHA legt fest, wie die beiden Scores gemischt werden.
Welche Tarife enthalten sie?
RAG-Pipelines und der Rerank-Cache sind Teil der Tarife Performance und Scale.
Verwandte Anwendungsfälle
Probieren Sie es mit Ihrer eigenen Workload
HotKV spricht das Redis-Protokoll, sodass Sie einen bestehenden Client darauf richten und genau diese Befehle ausführen können.