में भाग 1हमने RAG को शामिल किया। ' के उद्गमों पर प्रकाश डाला।, के बुनियादी सिद्धांत पर प्रकाश डाल दिया।, और यह क्यों महत्वपूर्ण है?

परिचय

श्रेणी नेविगेशन यह RAG श्रृंखला के भाग 2 है

भाग 1: मूल और बुनियादी - इतिहास
भाग 2: वास्तुकला और आंतरिक (इस अनुच्छेद) - आरएजी के कार्यों में तकनीकी गहरी खोज
भाग 3: RAG व्यावहारिक में - वास्तविक प्रणालियों का निर्माण
भाग 4a: ONNX & Qdrant कार्यान्वयन - सीपीयू
भाग 4b: क्रिया में सेमेटिक खोज - टाइपेहेड, हाइब्रिड खोज
भाग 5: हाइब्रिड खोज - उत्पादन एकीकरण पैटर्न
भाग 6: GraphRAG - कोर्स के लिए ज्ञान ग्राफ्स

यदि आपने भाग नहीं पढ़ा है तो मैं वहाँ से समझने के लिए शुरू करने की सिफारिश करता हूँ

RAG क्या है और यह क्यों महत्वपूर्ण है
शब्दकुञ्जी खोज से अर्थानुभूति तक का इतिहास
RAG vs fine-tuning और अन्य दृष्टिकोण

इस लेख का मानना है कि आप उन बुनियादी और पर ध्यान केंद्रित समझते हैं तकनीकी वास्तुकला, कार्यान्वयन विवरण.

RAG कैसे काम करता है: संपूर्ण तस्वीर

एक RAG सिस्टम में क्या होता है यह ठीक से विभाजित करें

चरण 1: सूचकांकन | ( | ज्ञान आधार तैयार करना |)

RAG किसी भी चीज़ को प्राप्त करने से पहले आपको अपने ज्ञान आधार का अनुक्रमण करना होगा।

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

चरण 1: पाठ निष्कर्षण

अपने स्रोत दस्तावेजों से सादा पाठ निकालें

मेरी ब्लॉग पोस्टों की तरह चिह्नित फ़ाइलें (
दस्तावेज़ के लिए पीडीएफ (
वेब स्क्रैपिंग के लिए HTML (
डाटाबेस रिकॉर्ड
ईमेल, चैट लॉग्स, आदि

मेरे ब्लॉग से उदाहरण:

// 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();
}

चरण 2: सेटिंग

यह है जहाँ अधिकतर RAG क्रियान्वयन असफल होते हैं

chunking का महत्व क्यों है

LLMs के पास टोकन सीमाएं हैं (context windows)
छोटे टुकड़े = अधिक सूक्ष्म पुनःप्राप्ति
लेकिन खंडों में पर्याप्त संदर्भ होना चाहिए कि अर्थपूर्ण हो

खराब chunking:

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."

अच्छा खंडन

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"

मेरी सेमेटिक खोज क्रियान्वयन से उदाहरण

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;
    }
}

सामान्य खंडन रणनीति

स्थिर: सरल लेकिन अर्थात्मक सीमाओं को तोड़ता है
वाक्य-आधारित: व्याकरण का सम्मान करता है लेकिन बहुत छोटा हो सकता है
पैराग्राफ-आधारित: प्राकृतिक लेकिन परिवर्तनीय आकार
अनुभाग-आधारितसंरचनात्मक सामग्री के लिए सर्वोत्तम
स्लाइडिंग विंडो के साथ ओवरलैप: यह सुनिश्चित करता है कि कोई संदर्भ सीमाओं पर खो नहीं जाता

चरण 3: एम्बेडिंग उत्पन्न करें

एम्बेडिंग वह जादू है जो सेमेटिक खोज को संभव बनाता है

प्रमुख संकल्पना समान अर्थ → समान भेक्टर

"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]

पहले दो वेक्टर सदिश में "close" होगा।

एम्बेडिंग कैसे उत्पन्न किया जाता है आधुनिक एम्बेडिंग मॉडल, व्यापक पाठ डेटासेट पर सीखने के लिए तंत्रिका नेटवर्क हैं।

सभी-MiniLM: 384 आयामों, तेजी से, अच्छी गुणवत्ता के |(मैं इस ब्लॉग पर क्या उपयोग करता हूँ
पाठ (OpenAI
BGE-आधार: 768 आयामोंM SK2 स्थिति-ofMSC4theMST5art open source

मेरे ONNX embedding सेवा से उदाहरण:

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);
}

सामान्यीकरण का महत्व क्यों है L के बाद 2 मानकीकरण के पश्चात् कोसाइन समानता एक सरल बिंदु उत्पाद बन जाती है

चरण 4: सदिश डाटाबेस में भंडारित करें

सदिश डाटाबेस उच्च भंडारण और खोज के लिए अनुकूलित हैं

कुंजी ऑपरेशन

जोड़ें (U): मेटाडेटा के साथ एक भेक्टर जोड़ें या अद्यतन करें
ढूंढें: क्वेरी सदिश के लिए सबसे समान सदियों को ढूंढें
फ़िल्टरComment: सदिश खोज को मेटाडेटा फ़िल्टरों के साथ जोड़ें

उदाहरण Qdrant कार्यान्वयन

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 }
    );
}

लोकप्रिय भेक्टर डाटाबेस:

क्वारंटCity name (optional, probably does not need a translation): Fast, selfM SK2hostable , excellent CMSC4 support
पीजीवेक्टर: PostgreSQL एक्सटेंशन
**पाइनकॉनCity name (optional, probably does not need a translation)**प्रबंधित सेवा
वियत करना: विशेषता
क्रोमाडीबी: पाइथोन

हम इन डेटाबेसों की स्थापना के बारे में आने वाले लेखों में जांच करेंगे

चरण 2: पुनःप्राप्ति

जब कोई उपयोक्ता एक प्रश्न पूछता है, तो RAG प्रणाली को ज्ञान आधार से सर्वाधिक प्रासंगिक सूचना ढूंढने की आवश्यकता होती है

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

चरण 1: क्वेरी एम्बेडिंग उत्पन्न करें

उपयोक्ता' प्रश्न के उपयोग से एक भेक्टर में परिवर्तित किया जाता है एक ही एम्बेडिंग मॉडल सूचकीकरण के लिए उपयोग किया जाता है. यह महत्वपूर्ण है - विभिन्न मॉडल अनुपयुक्त सदिशें उत्पन्न करते हैं

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;
}

चरण 2: समानता खोज

भेक्टर डाटाबेस क्वेरी भेक्टर और सभी भंडारित भेक्टरों के बीच समानता का संगणन करता है

कोसाइन समानता सामान्यकृत सदिशों के लिए सबसे लोकप्रिय

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

दायरा : -1 से |1 | ( | उच्चतर = | अधिक समान

यूक्लिडियन दूरी असामान्य विektor के लिए (

distance = sqrt(Σ(Ai - Bi)²)

डॉट उत्पाद (जब वेक्टर पूर्व हैं

similarity = A · B

दायरा : -1 से |1 | ( | उच्चतर = | अधिक समान

मेरी Qdrant सेवा से उदाहरण:

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();

चरण 3: पुनर्रोकिंग (वैकल्पिक लेकिन सिफारिश की गई

आरंभिक खोज तेजी से है लेकिन लगभग

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

पुनर्रोकिंग क्यों मदद करता है

त्वरित एम्बेडिंग मॉडल गति के लिए अनुकूलन करते हैं , कुछ सटीकता को त्याग कर
पुनरावर्तन मॉडल धीमी होते हैं लेकिन अधिक सटीक
दो-- चरण दृष्टिकोण गति और गुणवत्ता को संतुलित करता है

उदाहरण पुनर्रैंकिंग क्रियान्वयन

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();
}

चरण 3: जनन | ( | उत्तर बनाने |)

अब जब हमारे पास प्रासंगिक जानकारी है, हम इसे LLM को उपयोक्ता के प्रश्न के साथ खिसकाते हैं

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

चरण 1: त्वरित निर्माण

यह है जहाँ RAG एक कला बन जाता है

प्रदान की गई संदर्भ का उपयोग करता है (अंतरिक ज्ञान नहीं करता है
जब संभव हो तो स्रोतों को उद्धृत करता है
स्वीकार करता है जब संदर्भ में कोई जवाब नहीं है
एक सुसंगत ध्वनि बनाए रखता है

मेरे वकील GPT सिस्टम से उदाहरण प्रवर्धन टेम्प्लेट:

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();
}

चरण 2: LLM अंतर

निर्मित प्रवर्धन generating के लिए एलएलएम में जाता है. यह हो सकता है

क्लाउड APIOpenAI, Anthropic Claude
स्थानीय मॉडल: लैमा का उपयोग करते हुए

स्थानीय LLM का उपयोग करते हुए उदाहरण:

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();
}

कुंजी पैरामीटरों का वर्णन

तापमानअनियमितता को नियंत्रित करता है
शीर्ष पी: न्यूक्लियस नमूनाकरण - केवल टोकन मानते हैं जो शीर्ष पी संभाव्यता द्रव्यमान बनाती है
अधिकतम टोकन: सीमा प्रतिक्रिया लंबाई
अनुक्रम रोकें: जब उत्पादन बंद करना है

चरण 3: पोस्ट

LLM एक प्रतिक्रिया उत्पन्न करने के बाद हम अक्सर करने की जरूरत है

उद्धरण निकालें और उन्हें लिंक में बदलें
कोड ब्लॉक फ़ॉर्मेट करें
मेटाडेटा जोड़ें
त्रुटिमोचन के लिए संवाद लॉग करें

उदाहरण पोस्ट-प्रसंस्करण

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;
}

एलएलएम आंतरिक को समझना

हम व्यावहारिक अनुप्रयोगों के लिए आगे बढ़ने से पहले, यह है' यह आवश्यक है कि LLMs कैसे आंतरिक रूप में काम करने को समझें।

टोकन क्या हैं

टोकन उन बुनियादी इकाइयों हैं जो LLMs प्रक्रिया करता है

उदाहरण टोकनीकरण:

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

भिन्न मॉडल भिन्न टोकनीकरण रणनीतियों का उपयोग करते हैं

जीपीटी मॉडल: Byte का उपयोग करें-Pair एनकोडिंग
क्लाउड: समान बीपीई दृष्टिकोण
ललामा मॉडल: SentencePiece टोकनीकरण

why tokenization matters for RAG:

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;
    }
}

संदर्भ विंडो सीमाएँ

GPT-3.5: 16K टोकन
GPT-4: M SK1K-128K टोकन
क्लाउड 3.5 सोनेट
Llama 3: 8K टोकन (जब भी विस्तारित किया जा सकता है

RAG प्रणालियों में आपको फिट होना चाहिए

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

यदि आपका आरएजी क्वेरी और प्रतिक्रिया से पहले प्रत्येक टन के टन की 500 दस्तावेजों को प्राप्त करता है

व्यावहारिक RAG टोकन प्रबंधन

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;
    }
}

केवी कैश

जब एलएलएम पाठ उत्पन्न करता है, तो यह हर टोकन के लिए आरंभिक से सब कुछ पुनः प्रसंस्करण नहीं करता कुंजी याद करने के लिए क्या यह पहले से ही संगणित किया है.

कैसे ट्रांसफॉर्मर काम करता है (Simplified

ट्रांसफार्मर्स एक "attention" क्रियाकलाप का प्रयोग करते हैं जहां प्रत्येक टोकन "attends toM SK3

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

केवी कैश के बिना

चरण 1: प्रक्रिया
चरण 2: प्रक्रिया
चरण 3: प्रक्रिया
कुल

केवी कैश के साथ

चरण 1: प्रक्रिया 1 टोकन
चरण 2: प्रक्रिया 1 नया टोकन, पुनः कैश किया गया K
चरण 3: प्रक्रिया 1 नया टोकन, पुनः कैश किया गया K
कुल

यह पीढ़ी बनाता है तेजी से के बीच - अंतर

केवी कैश ट्री संरचना

केवी कैश एक "tree" का निर्माण करता है क्योंकि रूपांतरक में ध्यान कैसे काम करता है।

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

प्रत्येक परत भंडारित करता है

कुंजियाँ (: ध्यान प्राप्तियों को संगणित करने के लिए प्रयुक्त प्रतिनिधित्व
मान (V: ध्यान के आधार पर एक साथ मिश्रित प्रतिनिधित्व

के साथ एक मॉडल के लिए

32 स्तर
4096 छुपे आयाम
32 ध्यान शीर्ष
8K संदर्भ विंडो

एक अनुक्रम के लिए केवी कैश है:

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

इसीलिए लंबा संदर्भ विंडो मेमोरी हैं

आरएजी सिस्टम में केवी कैश

आरएजी प्रणालियां केवी कैश अनुकूलन को चुने हुए तरीकों में उपयोग कर सकती हैं

त्वरित कैचिंग एंट्रोपिक क्लोड जैसे कुछ API द्वारा समर्थित

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);
    }
}

यह क्यों शक्तिशाली है

पहली क्वेरी: तंत्र प्रवर्धन के लिए केवी कैश का संगणन करता है
एक ही संदर्भ के साथ अनुवर्ती क्वेरी
सिर्फ उपयोक्ता क्वेरी भाग को नए संगणन की जरूरत है

व्यावहारिक उदाहरण

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!)

सभी तीन प्रश्न एक ही प्राप्त संदर्भ का उपयोग करते हैं, इसलिए उस संदर्भ के लिए केवी कैश फिर से प्रयोग किया जाता है

टोकन सीमाएं और आरएजी रणनीति

टोकन और केवी कैश को समझने से आपके RAG वास्तुकला निर्णयों का पता चलता है

1. आकार

छोटे टुकड़े = अधिक सूक्ष्म पुनर्प्राप्ति, लेकिन अधिक ओवरहेड

// 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. संदर्भ विंडो उपयोग

संदर्भ विंडो को अधिकतम नहीं करें

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. बहुल-आरएजी वार्तालाप चलाएँ

चैटबोट्स में वार्तालाप इतिहास हर बार बढ़ता है

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!

समाधान: पुनर्प्राप्ति के साथ स्लाइडिंग विंडो

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. टोकन लागत अनुकूलन

API-आधारित एलएलएम्स प्रति टोकन प्रभार

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!
}

लागत कम करने की रणनीति

कम प्राप्त करें
त्वरित कैशिंग का उपयोग करें
के लिए सस्ती मॉडल का उपयोग करें
संक्षेपण का उपयोग करते हुए संदर्भ को दबाएँ

टोकन के साथ पूर्ण RAG प्रवाह को दृश्यात्मक बनाना

यहाँ यह दिखाता है कि टोकन कैसे मिलते हैं

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

प्रमुख अंतर्दृष्टि

इनपुट टोकन आरंभिक केवी कैश बनाने के लिए (2,812) को एक बार प्रक्रमित किया जाता है
जनन केवी कैश का पुनः उपयोग करते हुए एक बार में एक टोकन होता है
प्रत्येक नया टोकन भावी टोकन के लिए केवी कैश में जोड़ता है
कुल VRAM सभी टोकन के लिए आवश्यक = मॉडल वज़न + केवी कैश
लंबा संदर्भ = बड़ा केवी कैश

आरएजी के लिए व्यावहारिक प्रभाव

टोकन और केवी कैश को समझने से बेहतर RAG डिजाइन प्राप्त होता है

1. Pre-कम्प्यूटर और कैश सामान्य संदर्भ

// 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. खंड सीमाओं को अनुकूलित करें

// 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;
}

उत्पादन में टोकन उपयोग मॉनिटर करें

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);
        }
    }
}

निष्कर्ष: वास्तुकला मास्टरी

हमने RAG प्रणालियों की संपूर्ण तकनीकी संरचना को शामिल किया है

चरण 1: सूचकांकन

विभिन्न स्रोतों से पाठ उद्धरण
कार्यनीतियां (सेक्शन-के आधार पर,सेक्शन-के आधारपर,के साथ ओवरलैप के साथ)
सम्मिलन उत्पादन (ONNX, API सेवाएंM SK2
वेक्टर भंडारण (Qdrant

चरण 2: पुनःप्राप्ति

Query embedding (same model as indexing
समानता खोज (cosine, euclideanM SK2 dot product
बेहतर सूक्ष्मता के लिए वैकल्पिक पुनर्रोकिंग
परिष्कृत परिणाम के लिए मेटाडेटा फ़िल्टरिंग

चरण 3: उत्पादन

त्वरित निर्माण (प्रसंगत | + | अनुदेश |+ | प्रश्न
LLM निष्कर्ष (temperature, topM SK2pMSC3 max tokensMSL4
प्रक्रमण के बाद -प्रसंस्करण

एलएलएम आंतरिक

टोकन: बुनियादी इकाइयां | ( | क्यारेक्टर नहीं
केवी कैश: क्यों उत्पादन तेजी से होता है | ( | linear | , | quadratic नहीं |)
संदर्भ विंडों: RAG में टोकन सीमाओं का प्रबंधन
लागत अनुकूलन: कैचिंग

प्रमुख तकनीकी अंतर्दृष्टि

एक ही एम्बेडिंग मॉडल अनुक्रमण और पुनःप्राप्ति के लिए (criticalM SK1
आप सोचने से ज्यादा बात है - सेमेटिक संगतता बनाए रखता है
पुनरावर्तन सूक्ष्मता में सुधार करता है विलंब की कीमत पर
टोकन प्रबंधन अनिवार्य है क्वेरी करने से पहले - अनुमान
केवी कैचिंग RAG को व्यवहार्य बनाता है - पुनः प्रवर्धन गणना
संदर्भ विंडो तेजी से भरें डॉक

भाग 3: RAG को व्यावहारिक रूप में जारी रखें

अब आप समझते हैं RAG कैसे काम करता है तकनीकी स्तर पर

में **भाग 3: RAG व्यावहारिक में**हम वास्तुकला से कार्यान्वयन में ले जा रहे हैं

वास्तविक

इस ब्लॉग पर संबंधित पोस्ट की सिफारिश
अर्थात्मक ब्लॉग खोज
एक "Lawyer GPT" लेखन सहायक का निर्माण

सामान्य चुनौतियां और समाधान

संदर्भ को बनाए रखने वाले कार्यनीतियां
अपने डोमेन के लिए एम्बेडिंग गुणवत्ता में सुधार
संदर्भ विंडो सक्रिय रूप से प्रबंधित करना
संदर्भ होने के बावजूद भ्रम को रोकना
अपने अनुक्रमणिका को अद्यतन रखें

उन्नत तकनीकें

संभावित दस्तावेज़ सम्मिलन (HyDE)
LLM के साथ स्वचालित विच्छेदित फ़िल्टर
व्यापक परिणाम के लिए बहु--query RAG
टोकन उपयोग को कम करने के लिए संदर्भात्मक संकुचन
जटिल क्वेरी के लिए Multi-hop RAG
दीर्घकालिक वार्तालाप स्मृति

आरंभ कर रहा हूँ

सप्ताह के कार्यान्वयन योजना
व्यवहारिक कोड उदाहरण
अनुकूलन रणनीतियां
जब RAG का उपयोग नहीं करना है

भाग को जारी रखें 3: व्यावहारिक में RAG

संसाधन

आधारभूत कागजात

पुनःप्राप्ति-ज्ञान के लिए उन्नत जनन-सभी एनएलपी कार्य - मूल RAG कागज
ओपन- डोमेन प्रश्न उत्तरण के लिए दाने पासेजtrieval - पीआरडी आधार
ध्यान सब कुछ है जो आपको चाहिए - ट्रांसफार्मर्स

उपकरण और फ्रेमवर्क

क्वारंटCity name (optional, probably does not need a translation) - भेक्टर डाटाबेस
ऑनिक्स रनटाइम @info: whatsthis
लामाशर्प स्थानीय एलएलएम निष्कर्ष
वाक्य ट्रांसफार्मर्स - सम्मिलन मॉडल

आगे पढ़ने:

मानवीय: संदर्भीय खोज एमएसके0 उन्नत तकनीकें

श्रेणी नेविगेशन

भाग 1: मूल और बुनियादी - इतिहास और प्रेरणा
भाग 2: वास्तुकला और आंतरिक (इस अनुच्छेद) - तकनीकी गहराई खन
भाग 3: RAG व्यावहारिक में - वास्तविक प्रणाली निर्माण

भाग में जारी रखें

RAG वास्तुकला और आंतरिक: यह वास्तव में कैसे काम करता है

परिचय

RAG कैसे काम करता है: संपूर्ण तस्वीर

चरण 1: सूचकांकन | ( | ज्ञान आधार तैयार करना |)

चरण 1: पाठ निष्कर्षण

चरण 2: सेटिंग

चरण 3: एम्बेडिंग उत्पन्न करें

चरण 4: सदिश डाटाबेस में भंडारित करें

चरण 2: पुनःप्राप्ति

चरण 1: क्वेरी एम्बेडिंग उत्पन्न करें

चरण 2: समानता खोज

चरण 3: पुनर्रोकिंग (वैकल्पिक लेकिन सिफारिश की गई

चरण 3: जनन | ( | उत्तर बनाने |)

चरण 1: त्वरित निर्माण

चरण 2: LLM अंतर

चरण 3: पोस्ट

एलएलएम आंतरिक को समझना

टोकन क्या हैं

केवी कैश

कैसे ट्रांसफॉर्मर काम करता है (Simplified

केवी कैश ट्री संरचना

आरएजी सिस्टम में केवी कैश

टोकन सीमाएं और आरएजी रणनीति

1. आकार

2. संदर्भ विंडो उपयोग

3. बहुल-आरएजी वार्तालाप चलाएँ

4. टोकन लागत अनुकूलन

टोकन के साथ पूर्ण RAG प्रवाह को दृश्यात्मक बनाना

आरएजी के लिए व्यावहारिक प्रभाव

निष्कर्ष: वास्तुकला मास्टरी

भाग 3: RAG को व्यावहारिक रूप में जारी रखें

संसाधन