RAG chatbot pro weby, dokumentaci a centra nápovědy, který načítá z vašeho vlastního obsahu, místo aby hádal. ChattyBox odpovídá na otázky jako „Co obsahuje plán Pro?“ z vašich publikovaných stránek a cituje zdroj — bez infrastruktury pro vlastní vyhledávání, kterou byste museli stavět nebo hostovat.
RAG kombinuje sílu velkých jazykových modelů s vašimi vlastními daty. Místo spoléhání se na trénovací data AI před vygenerováním každé odpovědi vyhledá relevantní obsah z vašeho webu.
Pokud je prioritou důvěra v odpovědi, propojte tento vyhledávací workflow s uzemněným AI chatbotem, který se vyhýbá vymyšleným odpovědím díky omezením zdrojů a fallback chování.
Když návštěvník položí otázku, ChattyBox prohledá indexovaný obsah webu, dokumentace, nápovědy a CMS a najde relevantní pasáže.
Tyto relevantní části vložíme jako kontext do promptu pro LLM.
Model vygeneruje stručnou odpověď a může obsahovat odkazy na zdroje, aby si návštěvníci mohli podrobnosti ověřit.
Spolehlivý systém RAG tvoří řetězec testovatelných fází, nikoli jediné volání modelu. Tato referenční architektura odděluje přípravu obsahu, vyhledávání, generování a citování, takže týmy mohou najít příčinu chyb a znovu indexovat změněné zdroje bez přetrénování modelu.
Přezkoumáno, když se změní chování při vyhledávání a nejméně každých šest měsíců.
| Fáze | Co se stane | Kontrola k ověření |
|---|---|---|
| 1. Procházení | Objevte povolené stránky z adres URL a souborů Sitemap. | Jsou přítomny očekávané adresy URL; vyloučené a soukromé cesty chybí. |
| 2. Parsování | Extrahujte nadpisy, prózu, seznamy, tabulky, kód, kanonické adresy URL a metadata. | Šum navigace je odstraněn bez vynechání příkazů nebo popisků verzí. |
| 3. Dělení na bloky | Rozdělte obsah do souvislých pasáží, které zachovávají identitu stránky a sekce. | Každá pasáž je srozumitelná sama o sobě a zachovává předpoklady. |
| 4. Tvorba embeddingů | Převeďte pasáže na reprezentace pro sémantické porovnávání a uložte metadata zdroje. | Každý vektor odkazuje na jednu aktuální a povolenou pasáž zdroje. |
| 5. Vyhledávání | Seřaďte malou sadu pasáží podle relevance k otázce návštěvníka. | V testech Recall@k se referenční pasáž dostane do sady kontextu. |
| 6. Sestavení promptu | Spojte otázku, pasáže, metadata zdrojů a pravidla pro odmítnutí odpovědi. | Pokyny nemohou rozšířit oprávnění ani přepsat pravidla pro odmítnutí odpovědi. |
| 7. Odpověď | Vytvářejte pouze podporované podrobnosti nebo odmítněte, pokud důkazy nejsou dostatečné. | Podstatná tvrzení vycházejí z kontextu; chybějící důkazy vedou k odmítnutí odpovědi. |
| 8. Citace | Připojte kanonickou stránku a sekci podporující odpověď. | Odkazy fungují, odpovídají dané verzi a přímo dokládají tvrzení. |
Změnu zdroje nelze vyhledat, dokud není dotčená stránka znovu projita, parsována, rozdělena na bloky a převedena na embeddingy. Sledujte revize zdrojů, nahrazujte zastaralé bloky namísto přidávání duplikátů, odstraňujte smazané stránky a po opětovném indexování testujte reprezentativní odpovědi. Frekvenci procházení určete podle nejkratší přijatelné doby zastaralosti odpovědí o cenách, zásadách a verzované dokumentaci.
Veřejné stránky mohou sdílet jeden rozsah procházení. Soukromá data a data zákazníků, zaměstnanců nebo účtů vyžadují ověřené přijímání a autorizaci při vyhledávání, než se pasáže dostanou do promptu. Pravidla pro roboty nenahrazují řízení přístupu. Nikdy neindexujte tajné údaje a ověřte, že neoprávněné identity nemohou z omezených zdrojů získat názvy, úryvky, adresy URL ani podrobnosti odpovědí.
Použijte verzovanou sadu otázek se známými zdrojovými pasážemi, očekávanými tvrzeními a očekávanými případy odmítnutí. Spusťte ji po změnách zdrojů, dělení na bloky, embeddingů, řazení nebo promptu a poté vyhodnoťte selhání podle jednotlivých fází.
| Signál | Jak to změřit | Selhání to odhaluje |
|---|---|---|
| Recall@k | Podíl zodpověditelných otázek, u nichž se referenční pasáž objeví mezi top k výsledky. | Nedostatečné pokrytí procházením, nekvalitní bloky, nesoulad slovní zásoby nebo zastaralé embeddingy. |
| Kvalita hodnocení | Zaznamenejte reciproční pořadí nebo nDCG pro posuzované relevantní pasáže. | Relevantní stránka existuje, ale převyšuje ji šum nebo zastaralá verze. |
| Podloženost tvrzení | Každé podstatné tvrzení porovnejte s pasážemi předanými modelu. | Odpověď kombinuje domněnky s důkazy nebo nadhodnocuje zdroj. |
| Přesnost citace | Ověřte, že každý citační odkaz funguje a přímo dokládá tvrzení, ke kterému je připojen. | Správná odpověď odkazuje na pouze související stránku nebo na špatnou verzi. |
| Přesnost a úplnost odmítnutí | Zahrňte nezodpověditelné otázky a otázky s rozpornými zdroji; vyhodnoťte správná odmítnutí i přehlédnuté odpovědi. | Robot hádá bez důkazů nebo odmítá navzdory dostatečným důkazům. |
| Zpoždění aktualizace | Změřte čas od změny publikovaného zdroje ke správné načtené odpovědi. | Zpoždění opětovného procházení, duplicitní zastaralé bloky nebo neúspěšné šíření smazání. |
| Metoda | Nejlépe sedí | Důležitý limit |
|---|---|---|
| Vyhledávání klíčových slov nebo stránek | Uživatelé chtějí hodnocené stránky a sami si přečtou zdroj. | Nesestavuje souhrnnou odpověď a může přehlédnout sémantické shody. |
| RAG | Znalosti se mění, na citacích záleží a odpovědi čerpají z několika pasáží. | Kvalita závisí na pokrytí procházení, načítání, oprávnění a kvalitě zdroje. |
| Jemné doladění | Výuka stabilního stylu, formátu, klasifikace nebo způsobu plnění úloh. | Není spolehlivou náhradou za aktuální fakta, citace nebo vymazání zdroje. |
| Promptování s dlouhým kontextem | Ohraničená sada dokumentů zapadá do kontextu a každá položka je relevantní. | Náklady a hluk rostou s kontextem; oprávnění a aktuálnost stále vyžadují kontrolu. |
Předpokládejme, že indexovaná instalační stránka uvádí, že skript widgetu patří bezprostředně před uzavírací značku body. Vyhledávání by mělo vybrat tuto pasáž, prompt by měl zakázat nepodložené rady k umístění a odpověď by měla uvést daný pokyn spolu s instalační stránkou jako důkazem.
Pokračujte průvodci pro citace zdrojů, ovládací prvky nepodporované odpovědi, vývojářská dokumentace chatbotů a rámec hodnocení technické dokumentace.
Vaše webové stránky, dokumentace, centrum nápovědy a stránky CMS se zaindexují, aby mohl chatbot prohledávat obsah, který už publikujete.
Embeddingy pomáhají párovat otázky návštěvníků s relevantními zdrojovými pasážemi, i když se liší znění.
Pro každou otázku ChattyBox načte malou sadu relevantních pasáží, místo aby nechal model odpovídat z paměti.
Krok odpovědi je omezen na načtený kontext a nastaven tak, aby se vyhýbal nepodloženým tvržením.
Každá odpověď obsahuje odkazy na zdrojové stránky, takže si uživatelé mohou informace ověřit.
Když se nenajde žádný relevantní obsah, bot poctivě řekne „Nevím“, místo aby halucinoval.
Obecný chatbot odpovídá ze široké modelové paměti a může znít sebejistě o věcech, které nezná. RAG chatbot načte z vašich stránek jako první, takže odpověď je spojena s obsahem, který jste zveřejnili, a lze ji zkontrolovat.
Pokud jsou prioritou citace, použijte AI chatbota s citacemi zdrojů, který propojuje každou odpověď s její zdrojovou stránkou.
Připojte svůj stávající obsah webu, otestujte kvalitu odpovědí a vložte chatbota citujícího zdroje, jakmile budou odpovědi vypadat dobře.
Začněte zdarma – bez platební karty
