A kutatásalapú tartalomgenerálás (RAG) módszereit vizsgálja meg az előadó, aki hónapok óta teszteli és fejleszti az n8n-ben használható mesterséges intelligencia (AI) ügynök sablonját. Több különböző stratégiát mutat be, amelyek közül számosat vegyítve hozta létre a legfrissebb változatot.
Részletesen kitér arra, milyen problémák merülnek fel, ha túl egyszerű RAG-megközelítést alkalmazunk: például a tudásbázis feldarabolása során gyakran elvész a szövegkörnyezet, és a keresési stratégiák nem mindig elég hatékonyak. Felhívja a figyelmet arra, hogy a dokumentumokat átgondoltan kell ‘chunkolni’, valamint hogy előnyt jelent, ha egy nagy nyelvi modellt használunk ehhez.
Bemutatja, miként lehet különféle adat- és fájltípusokat (pl. Google Drive-ból származó táblázatok, szövegfájlok) eltérő módon kezelni annak érdekében, hogy növeljük a lekérdezések relevanciáját. Felveti a stratégiák között a ‘genetikus chunking’ és a ‘reranking’ (utólagos sorrendezés) alkalmazását, amelyek nagymértékben javíthatják a keresés pontosságát és gyorsaságát.
Foglalkozik olyan kérdésekkel is, mint hogy miként lehet az egész sablont rugalmasan testre szabni, hogyan érdemes különálló adatbázisokat használni (például Neon és Postgres), illetve hogy milyen további ötletek várnak még kidolgozásra, például tudásgráfok vagy kontextuális embedding integrálása.
