Calitate retrieval
Tehnici de îmbunătățire a regăsirii: hybrid search, reranking, chunking, top-k.
RAG peste feedbackul clienților: ce poate sintetiza
Cele mai relevante opt fragmente nu sunt un eșantion. Ce poate sintetiza un RAG peste tichete, recenzii și sondaje, și unde începe agregarea reală.
Agentic RAG și multi-hop: când un pas de retrieval nu ajunge
Ce întrebări cer mai mult de un pas de retrieval, cum funcționează bucla de decizie și tool use, ce costă în latență și cum decizi dacă ai nevoie.
Arhitectura unui sistem RAG: componente, fluxuri, decizii
Cum se leagă piesele unui sistem RAG într-o arhitectură: harta de componente, contractele dintre ele, deciziile ireversibile și ce amâni la MVP.
Bază de cunoștințe AI: cum pregătești documentele pentru RAG
Ce este o bază de cunoștințe pentru AI, cum triezi sursele, cum extragi text din formate reale, ce metadate atașezi și ce alegi să nu indexezi.
Cum reduce RAG halucinațiile: grounding și citarea surselor
Grounding, citare la nivel de frază și abținere: cele trei mecanisme prin care un sistem RAG reduce efectiv halucinațiile, nu doar în aparență.
Ce este semantic search și cum diferă de full-text
Semantic search caută sensul, nu cuvintele exacte. Vezi cum diferă de full-text și BM25, unde eșuează fiecare și când ai nevoie de amândouă.
Hybrid search și reranking în RAG: similaritate vs relevanță
Similaritatea cosine nu e relevanță. Hybrid search (BM25 + vectori) și reranking cu cross-encoder cresc recall și NDCG — cu cifre reale, nu presupuneri.
Cum evaluezi un sistem RAG: metrici de retrieval și de generare
„Pare mai bine" nu e o metrică. Separi retrieval de generare, măsori cu recall@k și faithfulness, construiești un golden test set și folosești LLM-as-judge corect.
Strategii de chunking pentru RAG: cum împarți documentele
Fixed-size, recursive, semantic sau document-aware? Cum alegi strategia de chunking pentru RAG după tipul documentului, cu chunk size și overlap.