# RAG för implementatorer: Hybridsökning och automatisk indexering

<datetime class="hidden">2025-11-22T12:00</datetime>

<!-- category -- ASP.NET, Semantic Search, ONNX, Qdrant, Machine Learning, Vector Search, RAG, AI-Article -->
# Inledning

**En del av RAG-serien:** Detta är del 5 - produktionsintegrationsmönster:

- [Del 1: RAG:s ursprung och grundförutsättningar](/blog/rag-primer) - Vad inbäddningar är, varför de betyder något
- [Del 2: RAG:s arkitektur och interner](/blog/rag-architecture) - Chunking, tokenisering, vektordatabaser
- [Del 3: RAG i praktiken](/blog/rag-practical-applications) - Bygga kompletta RAG-system
- [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-, hybridsöknings- och användargränssnittskomponenter
- **Del 5: Hybridsökning och automatisk indexning** (denna artikel) - Produktionsintegrationsmönster
- [Del 6: GraphRAG](/blog/graphrag-knowledge-graphs-for-rag) - Kunskapsgrafer för corpus-nivåförståelse

Till [Häfte 4a](/blog/semantic-search-with-onnx-and-qdrant), Vi byggde grunden: ONNX inbäddningar och Qdrant lagring. [Häfte 4b](/blog/semantic-search-in-action), Vi täckte sökningen UI och hybrid sökning genomförande. Nu ska vi göra det produktionsklara med **Automatisk indexering** (noll-touch innehållsuppdateringar) via FileSystemWatcher.

[TOC]

# Hybridsökning: Det bästa av båda världarna

Semantisk sökning är kraftfull men traditionell fulltextsökning utmärker sig fortfarande på exakta fraser och tekniska termer. **Vad är lösningen?** Använd båda.

**Varför Hybrid?** Olika metoder har olika starka sidor:

- **PostgreSQL fulltext** ([omfattas här](/blog/textsearchingpt1): Exakta matcher, tekniska termer, Booleska operatörer
- **Sök efter semantisk vektor**: Betydelse, sammanhang, synonymer, begreppsmässigt relaterat innehåll

## Reciprocal Rank Fusion (RRF)

Vi använder **Reciprocal Rank Fusion (ciprocal Rank Fusion)** För att kombinera resultat från flera sökkällor:

```mermaid
flowchart TB
    A[User Query: 'docker containers'] --> B[PostgreSQL Full-Text Search]
    A --> C[Semantic Vector Search]

    B --> D["Results:<br/>1. 'Docker Basics' (rank 1)<br/>2. 'Containerizing Apps' (rank 2)<br/>3. 'Docker Compose' (rank 3)"]
    C --> E["Results:<br/>1. 'Containerizing Apps' (rank 1)<br/>2. 'Kubernetes Guide' (rank 2)<br/>3. 'Docker Basics' (rank 3)"]

    D --> F[RRF Algorithm]
    E --> F

    F --> G["Combined Results:<br/>1. 'Containerizing Apps'<br/>   (1/61 + 1/62 = 0.0328)<br/>2. 'Docker Basics'<br/>   (1/61 + 1/63 = 0.0322)<br/>3. 'Docker Compose'<br/>   (1/63 = 0.0159)"]

    style A stroke:#10b981,stroke-width:2px
    style B stroke:#3b82f6,stroke-width:2px
    style C stroke:#6366f1,stroke-width:2px
    style D stroke:#3b82f6,stroke-width:2px
    style E stroke:#6366f1,stroke-width:2px
    style F stroke:#ec4899,stroke-width:4px
    style G stroke:#8b5cf6,stroke-width:2px
```

**RRF-formeln:** `score = Σ(1 / (k + rank))`

- `k` = 60 (konstant för att förhindra att tidiga led dominerar)
- `rank` = position i sökmetodens resultat
- Resultat i **båda** källor få poäng från varje tillsatt tillsammans

**Varför RRF fungerar:**

- **Avledning**: Samma resultat i båda källor poäng högre
- **Rättvisa**: Ingen sökmetod dominerar orättvist
- **Enkelhet**: Ingen komplicerad inställning krävs

## Genomförande

```csharp
public class HybridSearchService : IHybridSearchService
{
    private readonly ISemanticSearchService _semanticSearchService;
    private const int RrfConstant = 60;

    public async Task<List<SearchResult>> SearchAsync(
        string query,
        string language = "en",
        int limit = 10,
        CancellationToken cancellationToken = default)
    {
        // Execute both searches in parallel
        var semanticResults = await _semanticSearchService.SearchAsync(
            query, limit * 2, cancellationToken);

        // Filter by language and apply RRF
        var filteredResults = semanticResults
            .Where(r => r.Language == language)
            .ToList();

        return ApplyReciprocalRankFusion(filteredResults)
            .Take(limit)
            .ToList();
    }

    private List<SearchResult> ApplyReciprocalRankFusion(List<SearchResult> results)
    {
        var rrfScores = new Dictionary<string, RrfScore>();

        for (int i = 0; i < results.Count; i++)
        {
            var result = results[i];
            var key = $"{result.Slug}_{result.Language}";

            if (!rrfScores.ContainsKey(key))
                rrfScores[key] = new RrfScore { Result = result };

            // RRF formula: 1 / (k + rank)
            rrfScores[key].Score += 1.0 / (RrfConstant + i + 1);
        }

        return rrfScores.Values
            .OrderByDescending(x => x.Score)
            .Select(x => x.Result)
            .ToList();
    }
}
```

> **Anmärkning:** Detta visar endast semantisk sökning. I produktionen, kör PostgreSQL fulltextsökning parallellt och inkludera dessa resultat i RRF beräkning.

## Integrering

Om du redan har implementerat PostgreSQL fulltextsökning ([som omfattas här](/blog/textsearchingpt1)), att lägga till semantisk sökning är enkelt:

```csharp
// Program.cs
services.AddSemanticSearch(configuration);
services.AddSingleton<IHybridSearchService, HybridSearchService>();
```

```csharp
[HttpGet("search/hybrid")]
public async Task<IActionResult> HybridSearch(string query, string language = "en")
{
    var results = await _hybridSearchService.SearchAsync(query, language);
    return PartialView("_SearchResults", results);
}
```

# Automatisk indexering med File System Watcher

Den mest kraftfulla funktionen: **Automatisk indexering**Spara ett blogginlägg, det är omedelbart sökbart - ingen manuell intervention.

## Hur den fungerar

```mermaid
flowchart TB
    A[Save Markdown File] --> B[FileSystemWatcher Detects Change]
    B --> C{File in Main Directory?}
    C -->|Yes| D[Save to Database]
    C -->|No| E[Save to Database Only]
    D --> F[Create BlogPostDocument]
    F --> G[Generate Embedding via ONNX]
    G --> H[Store in Qdrant]
    H --> I[Post Searchable Immediately]

    style A stroke:#10b981,stroke-width:2px
    style B stroke:#f59e0b,stroke-width:2px
    style C stroke:#ec4899,stroke-width:3px
    style D stroke:#3b82f6,stroke-width:2px
    style E stroke:#6b7280,stroke-width:2px
    style F stroke:#8b5cf6,stroke-width:2px
    style G stroke:#6366f1,stroke-width:3px
    style H stroke:#ef4444,stroke-width:2px
    style I stroke:#10b981,stroke-width:2px
```

**Beslut om nyckelutformning:** Endast indexfiler i **main Markdown- katalog**, inte underkataloger (`translated/`, `drafts/`, `comments/`. . Detta håller sökindex ren.

## Integration av filväktare

Bloggen har redan en `MarkdownDirectoryWatcherService`. Vi utvidgar den till att utlösa semantisk indexering:

```csharp
// In MarkdownDirectoryWatcherService.cs
private async Task OnChangedAsync(WaitForChangedResult e)
{
    if (e.Name == null) return;

    await retryPolicy.ExecuteAsync(async () =>
    {
        var savedModel = await blogService.SavePost(slug, language, markdown);

        // Index ONLY if file is in main directory (no path separators in name)
        if (!e.Name.Contains(Path.DirectorySeparatorChar) &&
            !e.Name.Contains(Path.AltDirectorySeparatorChar))
        {
            await IndexPostForSemanticSearchAsync(scope, savedModel, language);
        }
    });
}

private async Task IndexPostForSemanticSearchAsync(
    IServiceScope scope,
    BlogPostDto post,
    string language)
{
    var semanticSearchService = scope.ServiceProvider.GetService<ISemanticSearchService>();
    if (semanticSearchService == null) return; // Not configured

    var document = new BlogPostDocument
    {
        Id = $"{post.Slug}_{language}",
        Slug = post.Slug,
        Title = post.Title,
        Content = post.PlainTextContent,
        Language = language,
        Categories = post.Categories?.ToList() ?? new List<string>(),
        PublishedDate = post.PublishedDate
    };

    await semanticSearchService.IndexPostAsync(document);
    _logger.LogInformation("Indexed {Slug} ({Language}) in semantic search", post.Slug, language);
}
```

## Hantering av avvikelser

När ett inlägg tas bort, ta bort det från semantiskt index:

```csharp
private async Task OnDeletedAsync(WaitForChangedResult e)
{
    await blogService.Delete(slug, language);

    // Delete from semantic search ONLY if file was in main directory
    if (!e.Name.Contains(Path.DirectorySeparatorChar) &&
        !e.Name.Contains(Path.AltDirectorySeparatorChar))
    {
        var semanticSearchService = scope.ServiceProvider.GetService<ISemanticSearchService>();
        await semanticSearchService?.DeletePostAsync(slug, language);
    }
}
```

# Bakgrundstjänst för inledande indexering

Vid start indexerar en bakgrundstjänst befintliga tjänster som ännu inte finns i Qdrant:

```mermaid
flowchart TB
    A[Application Starts] --> B[Wait 10 seconds]
    B --> C[Initialize Semantic Search]
    C --> D{Model Exists?}
    D -->|No| E[Download from Hugging Face]
    D -->|Yes| F[Load ONNX Model]
    E --> F
    F --> G[Scan Main Markdown Directory]
    G --> H{For Each .md File}
    H --> I[Compute Content Hash]
    I --> J{Hash Changed?}
    J -->|Yes| K[Generate Embedding]
    J -->|No| L[Skip - Already Indexed]
    K --> M[Store in Qdrant]
    M --> H
    L --> H
    H -->|Done| N[Indexing Complete]

    style A stroke:#10b981,stroke-width:2px
    style C stroke:#6366f1,stroke-width:2px
    style E stroke:#f59e0b,stroke-width:2px
    style F stroke:#6366f1,stroke-width:3px
    style G stroke:#8b5cf6,stroke-width:2px
    style J stroke:#ec4899,stroke-width:3px
    style K stroke:#6366f1,stroke-width:2px
    style M stroke:#ef4444,stroke-width:2px
    style N stroke:#10b981,stroke-width:2px
```

```csharp
public class SemanticIndexingBackgroundService : BackgroundService
{
    protected override async Task ExecuteAsync(CancellationToken stoppingToken)
    {
        // Wait for app to be ready
        await Task.Delay(TimeSpan.FromSeconds(10), stoppingToken);

        // Initialize (downloads model if needed)
        await _semanticSearchService.InitializeAsync(stoppingToken);

        // Get all posts from main directory only
        var markdownFiles = Directory.GetFiles(
            _markdownConfig.MarkdownPath,
            "*.md",
            SearchOption.TopDirectoryOnly);  // NOT subdirectories

        foreach (var file in markdownFiles)
        {
            var needsIndexing = await _semanticSearchService.NeedsReindexingAsync(
                slug, language, contentHash, stoppingToken);

            if (needsIndexing)
                await _semanticSearchService.IndexPostAsync(document, stoppingToken);
        }
    }
}
```

**Detta säkerställer följande:**

1. **Lasig laddningsmodell** - Nedladdningar vid första användning, inte blockering av start
2. **Inkrementell indexering** - Endast nya/ändrade inlägg omindexerade (via innehållshash)
3. **Endast huvudkatalog** - Utkast och översatta filer förorenar inte indexet

# Vad vi har byggt

Över delarna 4a, 4b och 5 har vi nu:

- ✅ **CPU-vänlig semantisk sökning** - Ingen GPU krävs
- ✅ **Relaterade inlägg upptäckt** - Semantiskt liknande innehåll
- ✅ **Sök på naturligt språk** - Hitta med mening, inte bara nyckelord.
- ✅ **Hybridsökning** - Bäst av semantisk + fulltext
- ✅ **Automatisk indexering** - Noll-touch innehållsuppdateringar
- ✅ **Självvärdig** - Dina data stannar på din server

**Framtida förbättringar:**

- **Kategori-medveten sökning** - Öka resultaten från specifika kategorier
- **Flerspråkiga sängkläder** - Språkspecifika inbäddningsmodeller
- **Integrering av OpenSearch** - Lägg till OpenSearch i hybridblandningen ([se min OpenSearch artikel](/blog/textsearchingpt3))

# Slutsatser

Detta kompletterar det praktiska genomförandet av RAG-stil semantisk sökning. [Häfte 4a](/blog/semantic-search-with-onnx-and-qdrant) (grundläggning) och [Häfte 4b](/blog/semantic-search-in-action) (sök UI), du har allt som behövs för att lägga till intelligent sökning till din .NET-applikation - körs helt på CPU, till noll extra kostnad.

## Fortsätt att lära

- **[RAG Del 1: Ursprung och grundförutsättningar](/blog/rag-primer)** - Teorin bakom inbäddningar
- **[RAG Del 2: Arkitektur och interner](/blog/rag-architecture)** - Djupdykning i RAG-system
- **[RAG Del 3: Praktiska tillämpningar](/blog/rag-practical-applications)** - Komplett RAG med LLM integration
- **[Del 4a: Genomförande av ONNX och Qdrant](/blog/semantic-search-with-onnx-and-qdrant)** - Grund: inbäddningar och vektorlagring
- **[Del 4b: Semantisk sökning i verksamhet](/blog/semantic-search-in-action)** - Typeahead, hybrid sökning, och UI
- **[Fulltextsökning med PostgreSQL](/blog/textsearchingpt1)** - Fulltextsidan av hybridsökningen

## Resurser

### Qdrant- och vektordatabaser

- [Självstämplade Vektordatabaser med Qdrant](/blog/self-hosted-vector-databases-qdrant) - Djupdyk i Qdrant-koncept, HNSW-indexering, filtrering och C#-klient
- [Qdrant Hybridsökning](https://qdrant.tech/documentation/concepts/hybrid-queries/) - Qdrants hybridstöd.

### Hybridsökning

- [Reciprocal Rank Fusion Paper](https://plg.uwaterloo.ca/~gvcormac/cormacksigir09-rrf.pdf) - RRF-algoritmen.

### Filsystemets bevakning

- [Filsystemwatcher klass](https://learn.microsoft.com/en-us/dotnet/api/system.io.filesystemwatcher) - .NET-dokumentation
- [Bakgrundstjänstklass](https://learn.microsoft.com/en-us/dotnet/api/microsoft.extensions.hosting.backgroundservice) - Värdtjänster i ASP.NET Core

### Fullständig kod

Alla koder finns på: [github.com/scottgal/mestlylucidweb](https://github.com/scottgal/mostlylucidweb)

- `Mostlylucid.SemanticSearch/` - Kärnan semantiskt sökbibliotek
- `Mostlylucid/Blog/WatcherService/` - File Watcher med semantisk indexering