Personal Search မှ RAG အထိ တိုးချဲ့ထားသော Application

ပရောဂျက်၏ ရည်ရွယ်ချက်

ဒီနမူနာပရောဂျက်က document retrieval ကနေ ရှာဖွေရရှိတဲ့ အချက်အလက်ကို အခြေခံထားသော အဖြေထုတ်ပေးခြင်းအထိ တိုးတက်ပုံကို ပြသပါတယ်။

အဆင့်သုံးဆင့်

• Keyword search က index ထဲက စကားလုံးတွေကို အခြေခံပြီး document တွေကို ရှာပါတယ်။
• Vector search က embedding ကို အသုံးပြုပြီး သက်ဆိုင်ရာ chunk တွေကို ရှာပါတယ်။
• RAG က retrieval ကရတဲ့ context ကို LLM ထံ ပို့ပြီး source reference ပါတဲ့ အဖြေထုတ်ပေးပါတယ်။

Infrastructure ဆိုင်ရာ ဆုံးဖြတ်ချက်များ

Frontend ကို static အဖြစ် ထားပြီး backend API တွေက retrieval နဲ့ model call ကို ထိန်းချုပ်ပါတယ်။ Chunk metadata မှာ မူရင်း source reference ကို သိမ်းထားတာကြောင့် အသုံးပြုသူက အထောက်အထား document ကို ပြန်စစ်နိုင်ပါတယ်။

စမ်းသပ်အတည်ပြုရန်

တူညီတဲ့မေးခွန်းတွေကို keyword နဲ့ vector retrieval နှစ်မျိုးနဲ့ နှိုင်းယှဉ်ပါ။ ထုတ်ပေးတဲ့အဖြေက retrieved context နဲ့ ကိုက်ညီမှုရှိမရှိ စစ်ဆေးပြီး latency နဲ့ cost ကို မှတ်တမ်းတင်ပါ။ မိမိရဲ့ စမ်းသပ်ရလဒ်တွေဖြင့် အစားထိုးပါ။

Platform တိုးတက်ပုံ (Mermaid နမူနာ)

flowchart LR
    A[Keyword search] --> B[Vector retrieval]
    B --> C[RAG with citations]