Assistentes de central de ajuda
Artigos e tickets resolvidos são ingeridos com o produto e o idioma como metadados. Cada resposta se baseia na documentação do produto certo.
IA e LLMRecuperaçãoPlanos Performance e Scale
Assistentes de conhecimento com RAG
Responda perguntas sobre os seus próprios documentos com chunking, filtros de metadados, busca híbrida vetorial e por palavras-chave e pontuações de rerank em cache, em um só motor.
- estratégias de chunking
- 3
- busca vetorial + BM25
- Híbrida
- bancos vetoriais extras
- 0
Etapa 1 de 5
Defina o pipeline
Um chunk por parágrafo. Use as dimensões do seu modelo de embedding (3 deixa o exemplo curto).
Sessão de exemploplaying
# Defina o pipeline
hotkv> RAG.CREATE faq 3 STRATEGY paragraph
OK
Uma demonstração animada com comandos reais do HotKV e respostas de exemplo. Clique em qualquer etapa para ir direto a ela. Os comandos e as respostas ficam em inglês, exatamente como você os digita e vê no HotKV.
O problema
Um pipeline de recuperação costuma significar um banco de dados vetorial, um índice de palavras-chave, um job de chunking, um reranker e código de integração entre eles. Cada peça é mais um serviço para operar, proteger e manter sincronizado com os seus documentos, e o reranker costuma ser a etapa mais lenta e mais cara.
Como o HotKV resolve
O HotKV coloca o pipeline no motor que já serve a sua aplicação. Defina um pipeline, ingira documentos e pesquise. O chunking, os metadados dos documentos e a busca híbrida que combina similaridade vetorial com pontuação BM25 por palavras-chave rodam no servidor, e um cache de rerank guarda as pontuações do cross-encoder para que um par repetido de consulta e trecho nunca seja pontuado duas vezes.
Passo a passo
O que acontece, comando por comando
- 01
Defina o pipeline
Um chunk por parágrafo. Use as dimensões do seu modelo de embedding (3 deixa o exemplo curto).
RAG.CREATE faq 3 STRATEGY paragraph - 02
Ingira documentos
Cada documento é dividido em chunks no servidor e armazenado com os seus metadados e um vetor por chunk.
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
Busca híbrida
Similaridade vetorial e relevância por palavras-chave em uma só consulta, restrita a uma fonte.
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
Rerank, mas só uma vez
As pontuações do cross-encoder ficam em cache por consulta e por chunk, em um namespace criado com RERANK.CREATE, então uma consulta popular não paga o rerank de novo.
RERANK.GET faq_scores "reset password|doc:1:0" - 05
Responda e verifique o pipeline
Os melhores chunks vão para o modelo como contexto, então a resposta vem da central de ajuda e não de um palpite. RAG.STATS mostra o que o pipeline contém.
RAG.STATS faq
Onde se encaixa
Cenários reais
Busca jurídica e de políticas
Contratos e políticas são divididos por parágrafo para que os trechos recuperados sejam cláusulas completas, e a pontuação por palavras-chave encontra termos exatos, como números de cláusulas.
Conhecimento de engenharia
Runbooks, documentos de design e postmortems passam a ser pesquisáveis pelo significado para um assistente de plantão.
Integrado
O que você ganha
Chunking no motor
Chunking por tamanho fixo, por frase ou por parágrafo. Os chunks de tamanho fixo usam o tamanho e a sobreposição que você escolher.
RAG.CREATEBusca híbrida
Similaridade vetorial e pontuação BM25 por palavras-chave em uma só consulta, com ALPHA definindo o equilíbrio.
RAG.SEARCHFiltros de metadados
Anexe pares de chave e valor na ingestão e filtre por eles na hora da busca.
RAG.INGESTFILTERCache de rerank
Guarde as pontuações do cross-encoder para pares de consulta e trecho, para que as repetições saiam de graça.
RERANK.GETRERANK.SETPerguntas frequentes
O HotKV cria os embeddings?
Não. Você gera os embeddings com o modelo que preferir e os passa com VECTORS na ingestão e com VECTOR na busca.
Posso pesquisar sem vetores?
Sim. RAG.SEARCH recebe o texto da consulta para a pontuação por palavras-chave, e a opção VECTOR acrescenta a similaridade vetorial. ALPHA define como as duas pontuações são combinadas.
Quais planos incluem o recurso?
Os pipelines de RAG e o cache de rerank fazem parte dos planos Performance e Scale.
Casos de uso relacionados
Experimente com a sua própria carga de trabalho
O HotKV fala o protocolo Redis, então você pode apontar um cliente existente para ele e executar estes mesmos comandos.