گفتگو با دانش شما
بازیابی تطبیقی، پاسخ‌های مستند
Local · Extractive
✦
ADAPTIVE RETRIEVAL ENGINE
هر سؤال، معیار شباهت خودش را دارد.
اسناد را اضافه کنید و سؤال بپرسید. سیستم بر اساس نوع پرسش، وزن semantic، entity، عدد و زمان را تغییر می‌دهد.
پاسخ‌ها را با منابع اصلی بررسی کنید. AdaptiveMetric در صورت نبود شواهد کافی آن را اعلام می‌کند.
پایگاه دانش
فایل‌ها را اضافه کنید؛ chunking و index به‌صورت خودکار انجام می‌شود.
فایل‌ها را اینجا رها کنیدPDF, DOCX, TXT, MD, CSV, JSON, HTML · حداکثر ۳۰ مگابایت
اسناد شما
A
ABOUT ADAPTIVE METRIC RAGهر سؤال، هندسه بازیابی خودش را دارد.
AdaptiveMetric RAG به‌جای استفاده از یک تعریف ثابت برای شباهت، نوع سؤال را تحلیل می‌کند و ترکیب معیارهای retrieval را متناسب با هدف همان سؤال تغییر می‌دهد.
«نوع سؤال را بفهم، بعد تعریف شباهت مناسب همان سؤال را انتخاب کن.»یعنی یک RAG می‌سازیم که فاصله معنایی‌اش ثابت نیست.
چرا Adaptive Retrieval؟
در RAG معمولی تمام سؤال‌ها غالباً با cosine similarity یکسان جستجو می‌شوند؛ اما یک سؤال درباره تاریخ قرارداد، یک خطای CUDA و یک پرسش مفهومی به شواهد متفاوتی نیاز دارند. Query Analyzer ابتدا intent را تشخیص می‌دهد و Metric Router وزن شباهت برداری، تطابق واژه‌ها، موجودیت‌ها، اعداد، تاریخ و metadata را تعیین می‌کند.
Mixture of Metrics
Score(q,x) = Σ wᵢ(q) · sᵢ(q,x)
وزن wᵢ به خود Query وابسته است. بنابراین همان مجموعه اسناد برای دو سؤال نزدیک می‌تواند رتبه‌بندی متفاوتی تولید کند.
Confidence و Citation
Confidence کیفیت و پوشش شواهد retrieval را تخمین می‌زند و احتمال صحت قطعی پاسخ نیست. پایین‌بودن آن معمولاً یعنی واژه‌های سؤال در منابع پوشش کمی دارند، نتیجه اول برتری واضحی نسبت به بقیه ندارد، سند دقیق موجود نیست یا embedding فعال ارتباط معنایی را خوب تشخیص نداده است. Citation با مقایسه سؤال و پاسخ نهایی، جمله پشتیبان را در متن chunk مشخص می‌کند.
مسیر یک Query در سیستم
۱تحلیل سؤالIntent · Entity · Number · Time
←۲جستجوی ترکیبیVector + BM25 + Metadata
←۳امتیاز تطبیقیوزن اختصاصی هر Query
←۴پاسخ مستندLLM + Citation + Highlight
بردارسازی قابل تعویض
حالت Local با feature hashing چندزبانه و بدون دانلود اجرا می‌شود. برای کیفیت semantic بالاتر می‌توان یک مدل embedding نصب‌شده در Ollama مانند nomic-embed-text یا bge-m3 را انتخاب کرد. با تغییر مدل، تمام اسناد خودکار re-index می‌شوند.
Provider مستقل
Embedding و تولید پاسخ دو تنظیم مستقل‌اند. پاسخ می‌تواند با Ollama، OpenAI-compatible، Gemini یا حالت Local تولید شود، درحالی‌که embedding از Provider دیگری تأمین می‌شود.
DESIGNED & DEVELOPED BY
Ali Jahani
توسعه‌دهنده AdaptiveMetric RAG