# RAG Arkitektur och interner: Hur det verkligen fungerar

Till [Häfte 1](/blog/rag-primer), Vi täckte RAG ursprung, grunder, och varför det spelar roll. Du förstår högnivåkonceptet: hämta relevant information, sedan använda den för att generera svar. Nu dyker vi djupt in i den tekniska arkitekturen – exakt hur RAG system fungerar under huven, från bitning strategier till LLM internal som polletter och KV caches.

<datetime class="hidden">2025-11-22T09:30</datetime>

<!-- category -- AI, RAG, Machine Learning, Semantic Search, LLM, AI-Article -->
# Inledning

**på serienavigering:** Detta är del 2 av RAG-serien:

- [Del 1: Ursprung och grundförutsättningar](/blog/rag-primer) - Historia, motivation och kärnkoncept
- **Del 2: Arkitektur och interner** (den här artikeln) - Teknisk djupdykning i hur RAG fungerar
- [Del 3: RAG i praktiken](/blog/rag-practical-applications) - Bygga verkliga system, utmaningar och avancerade tekniker
- [Del 4a: Genomförande av ONNX och Qdrant](/blog/semantic-search-with-onnx-and-qdrant) - CPU-vänlig semantisk sökfundament
- [Del 4b: Semantisk sökning i verksamhet](/blog/semantic-search-in-action) - Typeahead, hybrid sökning, och UI
- [Del 5: Hybridsökning och automatisk indexning](/blog/rag-hybrid-search-and-indexing) - Produktionsintegrationsmönster
- [Del 6: GraphRAG](/blog/graphrag-knowledge-graphs-for-rag) - Kunskapsgrafer för corpus-nivåförståelse

Om du inte har läst del 1 rekommenderar jag att du börjar där för att förstå:

- Vad RAG är och varför det betyder något
- Historien från sökordssökning till semantisk förståelse
- RAG mot finjustering och andra metoder

Den här artikeln förutsätter att du förstår dessa grunderna och fokuserar på **Teknisk arkitektur, genomförandedetaljer och LLM-interner**.

[TOC]

# Hur RAG fungerar: Den kompletta bilden

Låt oss bryta ner exakt vad som händer i ett RAG-system, från det ögonblick du lägger till ett dokument till när en användare får ett svar.

## Fas 1: Indexering (Förberedande av kunskapsbasen)

Innan RAG kan hämta något behöver du indexera din kunskapsbas. Detta är en engångsprocess (även om du kan lägga till nya dokument senare).

```mermaid
flowchart TB
    A[Source Documents] -->|1. Extract Text| B[Text Extraction]
    B -->|2. Split into Chunks| C[Chunking Service]
    C -->|3. Generate Embeddings| D[Embedding Model]
    D -->|4. Store Vectors| E[Vector Database]

    B -.Metadata.-> E

    subgraph "Example: Blog Post"
        F["Understanding Docker: A containerization platform..."]
    end

    subgraph "Chunks"
        G["Chunk 1: Title + Intro"]
        H["Chunk 2: Benefits Section"]
    end

    subgraph "Embeddings"
        I["0.234, 0.891, 0.567, ..."]
        J["0.445, 0.123, 0.789, ..."]
    end

    F --> G
    F --> H
    G --> I
    H --> J

    style D stroke:#f9f,stroke-width:2px
    style E stroke:#bbf,stroke-width:2px
```

### Steg 1: Textutdrag

Extrahera vanlig text från källdokumenten. Det här kan vara:

- Markned filer (som mina blogginlägg)
- PDF-filer (för dokumentation)
- HTML (för webbskrapning)
- Databasregister
- E-post, chattloggar, etc.

**Exempel från min blogg:**

```csharp
// From MarkdownRenderingService
public string ExtractPlainText(string markdown)
{
    // Remove code blocks
    var withoutCode = Regex.Replace(markdown, @"```[\s\S]*?```", "");

    // Convert markdown to plain text
    var document = Markdown.Parse(withoutCode);
    var plainText = document.ToPlainText();

    return plainText.Trim();
}
```

### Steg 2: Knäppning

Det är här de flesta RAG-implementationer misslyckas. Du kan inte bara dela på punktgränser - du behöver semantiskt sammanhängande bitar.

**Varför det är viktigt att stycka:**

- LLM:er har symboliska gränser (kontextfönster)
- Mindre bitar = mer exakt hämtning
- Men bitar måste innehålla tillräckligt med sammanhang för att vara meningsfull

**Dålig bitning:**

```
Chunk 1: "Docker is a containerization platform. It allows you"
Chunk 2: "to package applications with their dependencies. This"
Chunk 3: "ensures consistency across environments."
```

**Bra bitning:**

```
Chunk 1: "Docker is a containerization platform. It allows you to package applications with their dependencies. This ensures consistency across environments."

Chunk 2: "Benefits of Docker:
- Isolation: Each container runs in its own environment
- Portability: Containers run anywhere Docker is installed
- Efficiency: Lightweight compared to virtual machines"
```

**Exempel från min semantiska sökimplementering:**

```csharp
public class TextChunker
{
    private const int TargetChunkSize = 500; // ~500 words
    private const int ChunkOverlap = 50;     // 50 words overlap

    public List<Chunk> ChunkDocument(string text, string sourceId)
    {
        var chunks = new List<Chunk>();

        // Split on section boundaries first (## headers in markdown)
        var sections = SplitOnHeaders(text);

        foreach (var section in sections)
        {
            // If section is small enough, keep it whole
            if (section.WordCount < TargetChunkSize)
            {
                chunks.Add(new Chunk
                {
                    Text = section.Text,
                    SourceId = sourceId,
                    SectionHeader = section.Header
                });
            }
            else
            {
                // Split large sections on sentence boundaries
                var subChunks = SplitOnSentences(section.Text, TargetChunkSize, ChunkOverlap);
                chunks.AddRange(subChunks.Select(c => new Chunk
                {
                    Text = c,
                    SourceId = sourceId,
                    SectionHeader = section.Header
                }));
            }
        }

        return chunks;
    }
}
```

**Vanliga styckningsstrategier:**

- **Fast storlek**: Enkelt men bryter semantiska gränser
- **Påföljdsbaserad**: Respekterar grammatiken men kan vara för liten
- **Punktbaserad**: Naturlig men variabel storlek
- **Avsnittsbaserad**: Bästa för strukturerat innehåll (min preferens)
- **Skjutfönster med överlappning**: Säkerställer att inget sammanhang går förlorat vid gränserna

### Steg 3: Generera inbäddningar

Inbäddningar är magin som gör semantisk sökning möjlig. En inbäddning är en vektor (array av siffror) som representerar betydelsen av text.

**Nyckelbegrepp:** Liknande betydelser → liknande vektorer

```
"Docker container" → [0.234, -0.891, 0.567, ..., 0.123]
"containerization platform" → [0.221, -0.903, 0.534, ..., 0.119]
"apple fruit" → [0.891, 0.234, -0.567, ..., -0.789]
```

De två första vektorerna skulle vara "nära" i vektorrymden (hög cosinuslikhet), medan den tredje är långt borta.

**Hur inbäddningar genereras:**
Moderna inbäddade modeller är neurala nätverk tränas på massiva textdataset för att lära semantiska relationer. Populära modeller:

- **Alla-MiniLM-L6-v2**: 384 dimensioner, snabb, bra kvalitet (vad jag använder på den här bloggen)
- **Inbäddning av text till 3-små** (OpenAI): 1536 dimensioner, mycket hög kvalitet
- **BGE-bas**: 768 dimensioner, toppmodern öppen källkod

**Exempel från min ONNX inbäddningstjänst:**

```csharp
public async Task<float[]> GenerateEmbeddingAsync(string text)
{
    // Tokenize the input text
    var tokens = Tokenize(text);

    // Create input tensors for ONNX model
    var inputIds = CreateInputTensor(tokens);
    var attentionMask = CreateAttentionMaskTensor(tokens.Length);
    var tokenTypeIds = CreateTokenTypeIdsTensor(tokens.Length);

    // Run ONNX inference
    var inputs = new List<NamedOnnxValue>
    {
        NamedOnnxValue.CreateFromTensor("input_ids", inputIds),
        NamedOnnxValue.CreateFromTensor("attention_mask", attentionMask),
        NamedOnnxValue.CreateFromTensor("token_type_ids", tokenTypeIds)
    };

    using var results = _session.Run(inputs);

    // Extract the output (sentence embedding)
    var output = results.First().AsTensor<float>();
    var embedding = output.ToArray();

    // L2 normalize the vector for cosine similarity
    return NormalizeVector(embedding);
}
```

**Varför normalisering är viktigt:** Efter L2 normalisering, cosinus likhet blir en enkel punkt produkt, vilket gör sökning mycket snabbare.

### Steg 4: Förvaras i Vector-databasen

Vektordatabaser är optimerade för att lagra och söka högdimensionella vektorer. Till skillnad från traditionella databaser som använder SQL-frågor, vektordatabaser använder likhetssökning.

**Nyckelåtgärder:**

- **Uppvärmning**: Lägg till eller uppdatera en vektor med metadata
- **Sök**: Hitta K mest liknande vektorer till en frågevektor
- **Filter**: Kombinera vektorsökning med metadatafilter

**Exempel på genomförande av Qdrant:**

```csharp
public async Task IndexDocumentAsync(
    string id,
    float[] embedding,
    Dictionary<string, object> metadata)
{
    var point = new PointStruct
    {
        Id = new PointId { Uuid = id },
        Vectors = embedding,
        Payload =
        {
            ["title"] = metadata["title"],
            ["source"] = metadata["source"],
            ["chunk_index"] = metadata["chunk_index"],
            ["created_at"] = DateTime.UtcNow.ToString("O")
        }
    };

    await _client.UpsertAsync(
        collectionName: "blog_posts",
        points: new[] { point }
    );
}
```

**Populära vektordatabaser:**

- **Qdrant Ordförande**: Snabb, självupptagen, utmärkt C# stöd (mitt val)
- **Pgvector Ordförande**: PostgreSQL-tillägg (bra om du redan använder Postgres)
- **Vinbär (röda, svarta och vita)**: Hanterad tjänst (dyr men bra)
- **Vävnad**: Feature-rich, bra för komplexa scheman
- **ChromaDB**: Python-fokuserad, lättviktig

Vi kommer att undersöka hur dessa databaser kan byggas upp i kommande artiklar.

## Fas 2: Återhämtning (Hitta relevant information)

När en användare ställer en fråga måste RAG-systemet hitta den mest relevanta informationen från kunskapsbasen.

```mermaid
flowchart LR
    A["User Query:<br/>'How do I use Docker Compose?'"] --> B[Generate Query Embedding]
    B --> C["Query Vector:<br/>[0.445, -0.123, ...]"]
    C --> D[Vector Search]
    D --> E[Vector Database]
    E --> F[Top K Similar Chunks]
    F --> G["Results:<br/>1. Docker Compose Basics 0.92<br/>2. Multi-Container Setup 0.87<br/>3. Service Configuration 0.83"]

    style B stroke:#f9f,stroke-width:3px
    style D stroke:#bbf,stroke-width:3px
```

### Steg 1: Generera frågebäddar

Användarens fråga konverteras till en vektor med hjälp av **Samma modell för inbäddning** används för indexering. Detta är kritiskt - olika modeller producerar inkompatibla vektorer.

```csharp
public async Task<List<SearchResult>> SearchAsync(string query, int limit = 10)
{
    // Same embedding model used for indexing
    var queryEmbedding = await _embeddingService.GenerateEmbeddingAsync(query);

    // Search in vector store
    var results = await _vectorStoreService.SearchAsync(
        queryEmbedding,
        limit
    );

    return results;
}
```

### Steg 2: Liknande sökningar

Vektordatabasen beräknar likheten mellan frågevektorn och alla lagrade vektorer.

**Cosinuslikhet** (mest populär för normaliserade vektorer):

```
similarity = (A · B) / (||A|| × ||B||)
```

Avstånd: -1 till 1 (högre = mer likartat)

**Euclidean avstånd** (för onormaliserade vektorer):

```
distance = sqrt(Σ(Ai - Bi)²)
```

Avstånd: 0 till ∞ (lägre = mer likartat)

**Punktprodukt** (när vektorer är förnormaliserade):

```
similarity = A · B
```

Avstånd: -1 till 1 (högre = mer likartat)

**Exempel från min Qdrant-tjänst:**

```csharp
var searchResults = await _client.SearchAsync(
    collectionName: "blog_posts",
    vector: queryEmbedding,
    limit: (ulong)limit,
    scoreThreshold: 0.7f,  // Only return results with >70% similarity
    payloadSelector: true   // Include all metadata
);

return searchResults.Select(hit => new SearchResult
{
    Text = hit.Payload["text"].StringValue,
    Title = hit.Payload["title"].StringValue,
    Score = hit.Score,
    Source = hit.Payload["source"].StringValue
}).ToList();
```

### Steg 3: Omställning (valfri men rekommenderad)

Den första hämtningen är snabb men ungefärlig. Reranking använder en mer sofistikerad modell för att markera de bästa K-resultaten.

```mermaid
flowchart LR
    A[Vector Search:<br/>Top 50 Results] --> B[Reranking Model]
    B --> C[Reranked:<br/>Top 10 Results]

    style B stroke:#f9f,stroke-width:3px
```

**Varför omplacering hjälper:**

- Snabb inbäddning modeller optimerar för hastighet, offrar viss noggrannhet
- Uppställningsmodellerna är långsammare men mer exakta
- Tvåstegsmetoden balanserar hastighet och kvalitet

**Exempel på omklassificering av genomförandet:**

```csharp
public async Task<List<SearchResult>> SearchWithRerankAsync(
    string query,
    int initialLimit = 50,
    int finalLimit = 10)
{
    // Stage 1: Fast vector search
    var candidates = await SearchAsync(query, initialLimit);

    // Stage 2: Precise reranking
    var rerankedResults = await _rerankingService.RerankAsync(
        query,
        candidates
    );

    return rerankedResults.Take(finalLimit).ToList();
}
```

## Fas 3: Generation (skapa svaret)

Nu när vi har relevant information matar vi den till LLM tillsammans med användarens fråga.

```mermaid
flowchart TB
    A[User Query] --> B[Retrieved Context 1]
    A --> C[Retrieved Context 2]
    A --> D[Retrieved Context 3]

    B --> E[Construct Prompt]
    C --> E
    D --> E
    A --> E

    E --> F["System: You are a helpful assistant...\n\nContext:\n1. Docker Compose allows...\n2. Services are defined...\n3. Volumes persist data...\n\nQuestion: How do I use Docker Compose?\n\nAnswer:"]

    F --> G[LLM]
    G --> H[Generated Answer with Citations]

    style E stroke:#f9f,stroke-width:2px
    style G stroke:#bbf,stroke-width:2px
```

### Steg 1: Snabb konstruktion

Det är här RAG blir en konst. Du måste strukturera prompten så att LLM:

- Använder det givna sammanhanget (inte dess interna kunskaper)
- Cites källor när det är möjligt
- Erkänner när sammanhanget inte innehåller ett svar
- Bibehåller en konsekvent ton/ stil

**Exempel på snabbmall från mitt GPT-system:**

```csharp
public string BuildRAGPrompt(string query, List<SearchResult> context)
{
    var sb = new StringBuilder();

    sb.AppendLine("You are a technical writing assistant. Your task is to answer the user's question using ONLY the provided context from past blog posts.");
    sb.AppendLine();
    sb.AppendLine("CONTEXT:");
    sb.AppendLine("========");

    for (int i = 0; i < context.Count; i++)
    {
        sb.AppendLine($"[{i + 1}] {context[i].Title}");
        sb.AppendLine($"Source: {context[i].Source}");
        sb.AppendLine($"Content: {context[i].Text}");
        sb.AppendLine($"Relevance: {context[i].Score:P0}");
        sb.AppendLine();
    }

    sb.AppendLine("========");
    sb.AppendLine();
    sb.AppendLine("INSTRUCTIONS:");
    sb.AppendLine("- Answer the question using the provided context");
    sb.AppendLine("- Cite sources using [1], [2], etc.");
    sb.AppendLine("- If the context doesn't contain enough information, say so");
    sb.AppendLine("- Maintain the technical, practical tone of the blog");
    sb.AppendLine();
    sb.AppendLine($"QUESTION: {query}");
    sb.AppendLine();
    sb.AppendLine("ANSWER:");

    return sb.ToString();
}
```

### Steg 2: Slutsats om LLM

Den konstruerade prompten går till LLM för generation. Detta kan vara:

- **Moln API**: OpenAI, Antropic Claude, Google PaLM
- **Lokal modell**: Använda lama.cpp, ONNX Runtime, eller TorchSharp

**Exempel på lokal LLM:**

```csharp
public async Task<string> GenerateResponseAsync(string prompt)
{
    var result = await _llamaSharp.InferAsync(prompt, new InferenceParams
    {
        Temperature = 0.7f,      // Creativity (0 = deterministic, 1 = creative)
        TopP = 0.9f,             // Nucleus sampling
        MaxTokens = 500,         // Response length limit
        StopSequences = new[] { "\n\n", "User:", "Question:" }
    });

    return result.Text.Trim();
}
```

**Viktiga parametrar förklarade:**

- **Temperatur**: Kontroller slumpmässighet (0 = alltid plocka mest troligt, 1 = prov slumpmässigt)
- **Överst P**: Nucleus provtagning - endast överväga polletter som utgör topp P sannolikhet massa
- **Max Tokens**: Begränsa svarslängden
- **Stoppa sekvenser**: När man ska sluta generera

### Steg 3: Efterbearbetning

Efter att LLM genererat ett svar, måste vi ofta:

- Extrahera citeringar och konvertera dem till länkar
- Formatkodsblock
- Lägg till metadata (källor, konfidenspoäng)
- Logga interaktionen för felsökning

**Exempel på efterbehandling:**

```csharp
public RAGResponse PostProcess(string llmOutput, List<SearchResult> sources)
{
    var response = new RAGResponse
    {
        Answer = llmOutput,
        Sources = new List<Source>()
    };

    // Extract citations like [1], [2]
    var citations = Regex.Matches(llmOutput, @"\[(\d+)\]");

    foreach (Match match in citations)
    {
        int index = int.Parse(match.Groups[1].Value) - 1;
        if (index >= 0 && index < sources.Count)
        {
            var source = sources[index];
            response.Sources.Add(new Source
            {
                Title = source.Title,
                Url = GenerateUrl(source.Source),
                RelevanceScore = source.Score
            });
        }
    }

    // Convert markdown citations to hyperlinks
    response.FormattedAnswer = Regex.Replace(
        llmOutput,
        @"\[(\d+)\]",
        m => {
            int index = int.Parse(m.Groups[1].Value) - 1;
            if (index >= 0 && index < sources.Count)
            {
                var url = GenerateUrl(sources[index].Source);
                return $"[[{m.Groups[1].Value}]]({url})";
            }
            return m.Value;
        }
    );

    return response;
}
```

# Förstå LLM Internals: Tokens, KV Cache och Context Windows

Innan vi går över till praktiska tillämpningar är det viktigt att förstå hur LLMs fungerar internt. Denna kunskap hjälper dig att optimera RAG-system och undvika vanliga fallgropar.

## Vad är Tokens?

Tokens är de grundläggande enheterna som LLMs bearbetar. Text matas inte direkt till modeller - den är först uppdelad i polletter.

**Exempel på tokenisering:**

```
Input:  "Understanding Docker containers"
Tokens: ["Under", "standing", " Docker", " containers"]
```

Olika modeller använder olika tokeniseringsstrategier:

- **GPT-modeller**: Använd Byte-Pair kodning (BPE) med ~50K ordförråd
- **Claude Ordförande**: Liknande BPE-strategi
- **Llamamodeller**: SentencePiece tokenization

**Varför tokenisering är viktigt för RAG:**

```csharp
public class TokenCounter
{
    // Rough approximation: 1 token ≈ 0.75 words (English)
    public int EstimateTokens(string text)
    {
        var wordCount = text.Split(' ', StringSplitOptions.RemoveEmptyEntries).Length;
        return (int)(wordCount / 0.75);
    }

    public int EstimateTokensAccurate(string text, ITokenizer tokenizer)
    {
        // Use actual tokenizer for precision
        return tokenizer.Encode(text).Count;
    }
}
```

**Gränser för sammanhangsfönster:**

- GPT-3.5: 16K polletter
- GPT-4: 8K-128K tokens (beroende på variant)
- Claude 3.5 Sonnet: 200K tokens
- Llama 3: 8K polletter (men kan förlängas)

I RAG-system måste du passa:

```
Total tokens = System prompt + Retrieved context + User query + Response buffer
```

Om din RAG hämtar 10 dokument med 500 polletter var, det är 5000 polletter bara för sammanhang - innan frågan och svar!

**Practical RAG token management:**

```csharp
public class ContextWindowManager
{
    private readonly int _maxContextTokens;
    private readonly int _systemPromptTokens;
    private readonly int _responseBufferTokens;

    public ContextWindowManager(
        int totalContextWindow = 4096,
        int systemPromptTokens = 300,
        int responseBufferTokens = 500)
    {
        _maxContextTokens = totalContextWindow;
        _systemPromptTokens = systemPromptTokens;
        _responseBufferTokens = responseBufferTokens;
    }

    public List<SearchResult> FitContextInWindow(
        List<SearchResult> retrievedDocs,
        string query)
    {
        var queryTokens = EstimateTokens(query);

        // Available tokens for retrieved context
        var availableForContext = _maxContextTokens
            - _systemPromptTokens
            - queryTokens
            - _responseBufferTokens;

        var selectedDocs = new List<SearchResult>();
        var currentTokens = 0;

        foreach (var doc in retrievedDocs.OrderByDescending(d => d.Score))
        {
            var docTokens = EstimateTokens(doc.Text);

            if (currentTokens + docTokens <= availableForContext)
            {
                selectedDocs.Add(doc);
                currentTokens += docTokens;
            }
            else
            {
                break; // Context window full
            }
        }

        return selectedDocs;
    }

    private int EstimateTokens(string text)
    {
        // Rule of thumb: 1 token ≈ 4 characters
        return text.Length / 4;
    }
}
```

## KV-cachen: LLM:s hemliga vapen

När en LLM genererar text, det inte rebehandlar allt från scratch för varje token. **cache för nyckeltal (KV)** för att komma ihåg vad den redan har räknat ut.

### Hur Transformatorer fungerar (förenklat)

Transformatorer använder en "attention" mekanism där varje token "besöker" (tittar på) alla tidigare polletter för att förstå sammanhang.

```mermaid
flowchart TB
    subgraph "Generation Step 1: 'Docker'"
        A1[Input: 'Docker'] --> B1[Compute K,V for 'Docker']
        B1 --> C1[Store in KV Cache]
        C1 --> D1[Generate: 'is']
    end

    subgraph "Generation Step 2: 'is'"
        A2[Input: 'is'] --> B2[Compute K,V for 'is']
        B2 --> C2[Store in KV Cache]
        C2 --> E2[Retrieve KV for 'Docker']
        E2 --> F2[Attend: 'is' to 'Docker']
        F2 --> D2[Generate: 'a']
    end

    subgraph "Generation Step 3: 'a'"
        A3[Input: 'a'] --> B3[Compute K,V for 'a']
        B3 --> C3[Store in KV Cache]
        C3 --> E3[Retrieve KV for 'Docker', 'is']
        E3 --> F3[Attend: 'a' to all previous]
        F3 --> D3[Generate: 'container']
    end

    D1 --> A2
    D2 --> A3

    style C1 stroke:#f9f,stroke-width:3px
    style C2 stroke:#f9f,stroke-width:3px
    style C3 stroke:#f9f,stroke-width:3px
```

**Utan KV- cache:**

- Steg 1: Process 1 token → O(1)
- Steg 2: Process 2 polletter från grunden → O(2)
- Steg 3: Process 3 polletter från grunden → O(3)
- Totalt: O(1 + 2 + 3 + ... + N) = O(N2)

**Med KV- cache:**

- Steg 1: Process 1 token, cache K,V → O(1)
- Steg 2: Process 1 ny token, återanvända cached K,V → O(1)
- Steg 3: Process 1 ny token, återanvända cached K,V → O(1)
- Totalt: O(N)

Detta gör generation **dramatiskt snabbare** - Skillnaden mellan 10 polletter/sekund och 100 polletter/sekund.

### KV- cacheträdets struktur

KV cache bildar ett "träd" på grund av hur uppmärksamhet fungerar i transformatorer. Varje lager i modellen har sina egna K, V matriser.

```mermaid
graph TB
    A[Input Tokens:<br/>'What is Docker?'] --> B[Layer 1 Attention]
    B --> C[Layer 1 KV Cache]

    B --> D[Layer 2 Attention]
    D --> E[Layer 2 KV Cache]

    D --> F[Layer 3 Attention]
    F --> G[Layer 3 KV Cache]

    F --> H[... up to Layer N]
    H --> I[Output: 'Docker is']

    C -.Key-Value pairs<br/>for all input tokens.-> C
    E -.Key-Value pairs<br/>for all input tokens.-> E
    G -.Key-Value pairs<br/>for all input tokens.-> G

    style C stroke:#bbf,stroke-width:2px
    style E stroke:#bbf,stroke-width:2px
    style G stroke:#bbf,stroke-width:2px
```

**Varje lager lagrar:**

- **Nycklar (K)**: Representationer som används för att beräkna uppmärksamhet poäng
- **Värden (V)**: Representationer som blandas baserat på uppmärksamhet

För en modell med

- 32 skikt
- 4096 dolda mått
- 32 uppmärksamhetshuvuden
- 8K sammanhangsfönster

KV- cache för en sekvens är:

```
2 (K and V) × 32 layers × 4096 dimensions × 8192 tokens × 2 bytes (FP16)
≈ 4.3 GB of VRAM!
```

Därför är långa sammanhangsfönster minnesintensiva.

### KV Cache i RAG-system

RAG-system kan utnyttja KV-cacheoptimering på smarta sätt:

**Snabb cachning** (som stöds av vissa API:er som Anthropic Claude):

```csharp
public class CachedRAGService
{
    // System prompt and retrieved context can be cached!
    public async Task<string> GenerateWithCachedContextAsync(
        string systemPrompt,          // Cached
        List<SearchResult> context,   // Cached
        string userQuery)             // Not cached, changes each time
    {
        var contextText = FormatContext(context);

        // The KV cache for systemPrompt + contextText is reused across queries
        var prompt = $@"
{systemPrompt}

CONTEXT:
{contextText}

QUERY: {userQuery}

ANSWER:";

        return await _llm.GenerateAsync(prompt, useCaching: true);
    }
}
```

**Varför detta är kraftfullt:**

- Första frågan: Beräknar KV- cache för systemprompt + sammanhang (slow)
- Följande frågor med samma sammanhang: Återanvänder cachad KV (10x snabbare!)
- Endast användarens frågedel behöver ny beräkning

**Praktiskt exempel:**

```
Query 1: "How do I use Docker?" → 2 seconds (no cache)
Query 2: "What are Docker benefits?" → 0.2 seconds (cache hit!)
Query 3: "Docker vs VMs?" → 0.2 seconds (cache hit!)
```

Alla tre frågor använder samma hämtade sammanhang, så KV-cachen för det sammanhanget återanvänds.

## Token Limits och RAG strategi

Förstå polletter och KV-cache informerar dina RAG arkitekturbeslut:

### 1. Knäpp storlek

Mindre bitar = mer exakt hämtning, men mer overhead:

```csharp
// Option A: Small chunks (200 tokens each)
// Retrieve 20 chunks = 4,000 tokens
// Pro: Very precise, only relevant info
// Con: More KV cache entries, slower attention

// Option B: Larger chunks (500 tokens each)
// Retrieve 8 chunks = 4,000 tokens
// Pro: Better context coherence, fewer KV entries
// Con: More noise, less precise

public class AdaptiveChunker
{
    public int DetermineChunkSize(int contextWindowSize)
    {
        if (contextWindowSize <= 4096)
            return 200; // Small chunks for limited windows

        if (contextWindowSize <= 16384)
            return 500; // Medium chunks

        return 1000; // Large chunks for big windows
    }
}
```

### 2. Användning av sammanhangsfönster

Maximera inte det sammanhangsberoende fönstret - lämna plats för generation:

```csharp
public class SafeContextManager
{
    public int GetSafeContextLimit(int totalContextWindow)
    {
        // Use only 75% for input, reserve 25% for output
        return (int)(totalContextWindow * 0.75);
    }

    // Example: 4K model
    // Total: 4096 tokens
    // Safe input: 3072 tokens
    // Reserved for output: 1024 tokens
}
```

### 3. Flervarviga RAG-samtal

I chattrobotar växer konversationshistorien med varje vändning:

```
Turn 1:
System + Context + Query1 = 3000 tokens
Response1 = 300 tokens
Total: 3300 tokens

Turn 2:
System + Context + Query1 + Response1 + Query2 = 3650 tokens
Response2 = 300 tokens
Total: 3950 tokens

Turn 3:
System + Context + Query1 + Response1 + Query2 + Response2 + Query3 = 4250 tokens
ERROR: Context window exceeded!
```

**Lösning: Skjutfönster med retrieval**

```csharp
public class ConversationalRAG
{
    private readonly int _maxHistoryTokens = 1000;

    public async Task<string> ChatAsync(
        List<ConversationTurn> history,
        string newQuery)
    {
        // Re-retrieve context based on current query
        var context = await RetrieveContextAsync(newQuery);

        // Keep only recent conversation history
        var relevantHistory = TrimHistory(history, _maxHistoryTokens);

        var prompt = BuildPrompt(context, relevantHistory, newQuery);

        return await _llm.GenerateAsync(prompt);
    }

    private List<ConversationTurn> TrimHistory(
        List<ConversationTurn> history,
        int maxTokens)
    {
        var trimmed = new List<ConversationTurn>();
        var currentTokens = 0;

        // Keep most recent turns
        foreach (var turn in history.Reverse())
        {
            var turnTokens = EstimateTokens(turn.Query) + EstimateTokens(turn.Response);

            if (currentTokens + turnTokens <= maxTokens)
            {
                trimmed.Insert(0, turn);
                currentTokens += turnTokens;
            }
            else
            {
                break;
            }
        }

        return trimmed;
    }
}
```

### 4. Kostnadsoptimering

API-baserade LLMs laddning per token. RAG kan explodera kostnader om inte försiktig:

```csharp
public class CostAwareRAG
{
    // OpenAI GPT-4 pricing (example):
    // Input: $0.03 per 1K tokens
    // Output: $0.06 per 1K tokens

    public decimal EstimateQueryCost(
        int systemPromptTokens,
        int retrievedContextTokens,
        int queryTokens,
        int expectedResponseTokens)
    {
        var inputTokens = systemPromptTokens + retrievedContextTokens + queryTokens;
        var outputTokens = expectedResponseTokens;

        var inputCost = (inputTokens / 1000m) * 0.03m;
        var outputCost = (outputTokens / 1000m) * 0.06m;

        return inputCost + outputCost;
    }

    // Example:
    // System: 300 tokens
    // Context: 3000 tokens (10 retrieved docs)
    // Query: 50 tokens
    // Response: 500 tokens
    //
    // Cost = ((300 + 3000 + 50) / 1000 * 0.03) + (500 / 1000 * 0.06)
    //      = (3350 / 1000 * 0.03) + (500 / 1000 * 0.06)
    //      = $0.1005 + $0.03
    //      = $0.1305 per query
    //
    // At 1000 queries/day = $130/day = $3,900/month!
}
```

**Strategier för kostnadsminskning:**

1. Hämta färre, bättre rangordnade dokument
2. Använd snabb caching (Antropic Claude: 90% billigare för cachade polletter)
3. Använd billigare modeller för omplacering, dyrt för sista generationen
4. Komprimera sammanhang med hjälp av summering

## Visualisera det fullständiga RAG-flödet med tokens

Så här passar polletter, KV-cache och RAG ihop:

```mermaid
flowchart TB
    A[User Query:<br/>'How does Docker work?'<br/>≈ 12 tokens] --> B[Generate Query Embedding]

    B --> C[Vector Search]
    C --> D[Retrieved Docs:<br/>5 docs × 500 tokens<br/>= 2,500 tokens]

    D --> E[Construct Prompt]
    A --> E

    E --> F["Complete Prompt:<br/>System: 300 tokens<br/>Context: 2,500 tokens<br/>Query: 12 tokens<br/>Total: 2,812 tokens"]

    F --> G[Tokenize Prompt]
    G --> H["Token IDs:<br/>[245, 1034, 8829, ...]<br/>2,812 token IDs"]

    H --> I[LLM Layer 1]
    I --> J[Compute K,V]
    J --> K[KV Cache Layer 1:<br/>2,812 K,V pairs]

    I --> L[LLM Layer 2]
    L --> M[Compute K,V]
    M --> N[KV Cache Layer 2:<br/>2,812 K,V pairs]

    L --> O[... Layers 3-32]
    O --> P[Generate Token 1: 'Docker']

    P --> Q[Add to KV Cache]
    Q --> R[Generate Token 2: 'is']
    R --> S[Add to KV Cache]
    S --> T[... until completion]

    T --> U["Response: 'Docker is a containerization platform...'<br/>≈ 400 tokens"]

    style K stroke:#f9f,stroke-width:2px
    style N stroke:#f9f,stroke-width:2px
    style Q stroke:#bbf,stroke-width:2px
    style S stroke:#bbf,stroke-width:2px
```

**Nyckelinsikter:**

1. **Inmatnings- polletter** (2,812) bearbetas en gång för att bygga den ursprungliga KV-cachen
2. **Generering** händer en token åt gången, återanvänder KV- cache
3. **Varje nytt tecken** lägger till KV- cache för framtida polletter att titta på
4. **Totalt belopp för VRAM** behövs = Modellvikter + KV-cache för alla polletter
5. **Längre sammanhang** = större KV-cache = mer VRAM

## Praktiska konsekvenser för RAG

Förstå polletter och KV-cache leder till bättre RAG-design:

**1. Förkompilera och cache gemensamma sammanhang:**

```csharp
// Cache KV for frequently used system prompts + static context
var cachedSystemContext = await _llm.PrecomputeKVCache(systemPrompt + staticContext);

// Reuse for each query (much faster)
foreach (var query in userQueries)
{
    var response = await _llm.GenerateAsync(query, reuseKVCache: cachedSystemContext);
}
```

**2. Optimera bitars gränser:**

```csharp
// Bad: Arbitrary 500-character chunks
var chunks = text.Chunk(500);

// Good: Chunk on sentence boundaries, measure in tokens
public List<string> ChunkByTokens(string text, int maxTokensPerChunk)
{
    var sentences = SplitIntoSentences(text);
    var chunks = new List<string>();
    var currentChunk = new StringBuilder();
    var currentTokens = 0;

    foreach (var sentence in sentences)
    {
        var sentenceTokens = EstimateTokens(sentence);

        if (currentTokens + sentenceTokens > maxTokensPerChunk && currentTokens > 0)
        {
            chunks.Add(currentChunk.ToString());
            currentChunk.Clear();
            currentTokens = 0;
        }

        currentChunk.Append(sentence).Append(" ");
        currentTokens += sentenceTokens;
    }

    if (currentTokens > 0)
        chunks.Add(currentChunk.ToString());

    return chunks;
}
```

**3. Övervaka tokenanvändning i produktionen:**

```csharp
public class RAGTelemetry
{
    public void LogRAGQuery(
        string query,
        List<SearchResult> retrievedDocs,
        string response)
    {
        var queryTokens = EstimateTokens(query);
        var contextTokens = retrievedDocs.Sum(d => EstimateTokens(d.Text));
        var responseTokens = EstimateTokens(response);
        var totalTokens = queryTokens + contextTokens + responseTokens;

        _logger.LogInformation(
            "RAG Query: {Query} | Context: {ContextTokens} tokens from {DocCount} docs | " +
            "Response: {ResponseTokens} tokens | Total: {TotalTokens} tokens",
            query, contextTokens, retrievedDocs.Count, responseTokens, totalTokens
        );

        // Alert if approaching context limit
        if (totalTokens > _maxTokens * 0.9)
        {
            _logger.LogWarning("Approaching token limit: {TotalTokens}/{MaxTokens}",
                totalTokens, _maxTokens);
        }
    }
}
```

# Slutsats: Arkitekturmasteri

Vi har täckt hela den tekniska arkitekturen av RAG-system:

**Fas 1: Indexering**

- Textutdrag från olika källor
- Chunking strategier (avsnitt-baserade, meningsbaserade, med överlappning)
- Inbäddning av produktion (ONNX, API-tjänster)
- Vektorlagring (Qdrant, pgvector, Pinecone)

**Fas 2: Återhämtning**

- Fråga inbäddning (samma modell som indexering!)
- Likvärdighetssökning (kosin, euklidean, punktprodukt)
- Valfri omplacering för bättre precision
- Metadatafiltrering för förfinade resultat

**Fas 3: Generering**

- Snabb konstruktion (text + instruktioner + fråga)
- LLM-slutsats (temperatur, topp-p, max polletter)
- Efterbehandling (citeringsextraktion, formatering)

**Inhemska LLM-enheter**

- Tokens: De grundläggande enheterna (inte karaktärerna!)
- KV Cache: Varför generation är snabb (linjär, inte quadratic)
- Sammanhangsfönster: Hantera tokengränser i RAG
- Kostnadsoptimering: Caching, komprimering, smart hämtning

**Viktiga tekniska insikter:**

1. **Samma modell för inbäddning** för indexering och hämtning (kritiskt!)
2. **Knäpphet betyder mer än du tror** - bevarar semantisk sammanhållning
3. **Omställning förbättrar precisionen** på bekostnad av latency
4. **Token management är viktigt** - uppskattning före förfrågan
5. **KV-cachelagring gör RAG genomförbar** - återanvändning av snabba beräkningar
6. **Sammanhangsfönster fyller snabbt** - 10 dokument × 500 polletter = 5K polletter

# Fortsätt till del 3: RAG i praktiken

Du förstår nu **hur RAG fungerar** På teknisk nivå. Men teorin får dig bara så långt. Hur bygger du egentligen dessa system? Vilka utmaningar kommer du att möta? Vilka avancerade tekniker kan du använda?

Till **[Del 3: RAG i praktiken](/blog/rag-practical-applications)**, vi går från arkitektur till genomförande:

**Verkliga tillämpningar:**

- Relaterade inlägg rekommendation på den här bloggen
- Semantisk bloggsökning
- Bygga en "laglig GPT" skrivande assistent

**Gemensamma utmaningar och lösningar:**

- Chunking strategier som bevarar sammanhanget
- Förbättrar bäddkvalitet för din domän
- Hantering av sammanhangsfönster dynamiskt
- Förhindra hallucinationer trots att ha sammanhang
- Hålla ditt index uppdaterat

**Avancerade tekniker:**

- Hypotetiska dokument inbäddade (HyDE)
- Självförfrågan med LLM-parserade filter
- Multi-query RAG för övergripande resultat
- Sammanhangskomprimering för att minska tokenanvändning
- Multi-hop RAG för komplexa frågor
- Långsiktigt samtalsminne

**Komma igång:**

- Genomförandeplan varje vecka
- Praktiska kodexempel
- Optimeringsstrategier
- När ska INTE RAG användas?

**[Fortsätt till del 3: RAG i praktiken →](/blog/rag-practical-applications)**

## Resurser

**Grunddokument:**

- [Retrieval-Augmented Generation for Knowledge-Intensive NLP uppgifter](https://arxiv.org/abs/2005.11401) - Den ursprungliga RAG papper
- [Dense Passage Retrieval för öppen-domänfrågor svar](https://arxiv.org/abs/2004.04906) - Grund för DPR
- [Uppmärksamhet är allt du behöver](https://arxiv.org/abs/1706.03762) - Transformatorer.

**Verktyg och ramar:**

- [Qdrant Ordförande](https://qdrant.tech/) - Vektordatabasen
- [ONNX körtid](https://onnxruntime.ai/) - Lokala inbäddningar
- [LLamaSharp Ordförande](https://github.com/SciSharp/LLamaSharp) - Lokala LLM-slutsatser
- [Dömande Transformatorer](https://www.sbert.net/) - Lägga in modeller

**Läs vidare:**

- [Antropisk: Sammanhangsmässig återhämtning](https://www.anthropic.com/index/contextual-retrieval) - Avancerade tekniker

**Serienavigering:**

- [Del 1: Ursprung och grundförutsättningar](/blog/rag-primer) - Historia och motivation
- **Del 2: Arkitektur och interner** (den här artikeln) - Teknisk djupdykning
- [Del 3: RAG i praktiken](/blog/rag-practical-applications) - Bygga verkliga system

**[Fortsätt till del 3 →](/blog/rag-practical-applications)**