Réglage de la recherche et de la recherche de contenu

Explorons le panneau de configuration de recherche de Progress Agentic RAG pour en savoir plus sur les paramètres qui peuvent nous aider à affiner nos réponses RAG.

Dans le article précédentnous avons parcouru les bases du Progress Agentic RAG Tableau de bord sans code : télécharger un document, l’indexer et poser des questions en langage naturel. Nous avons vu comment la plateforme récupère les passages pertinents et génère des réponses citées par la source.

Dans cet article, nous examinerons de plus près Recherche panneau de configuration et explorez certains des paramètres qui peuvent avoir un impact sur la qualité et les réponses de notre système RAG.

Le panneau de configuration de la recherche

Lorsque nous naviguons vers le Recherche Dans la section Progress Agentic RAG, nous voyons un panneau de configuration sur le côté droit de l’écran. Ce panel est organisé en quatre sections principales :

1. Options de recherche: contrôle la manière dont les requêtes sont traitées, filtrées et suggérées.
2. Réponse générative et RAG: Définit comment le LLM génère des réponses en utilisant le contexte récupéré.
3. Options d’affichage des résultats: Détermine quelles informations sont affichées.
4. Routage d’intention de l’utilisateur: applique dynamiquement différentes configurations en fonction de l’intention de l’utilisateur.

Chaque section contient des bascules, des listes déroulantes et des champs de saisie qui nous permettent de personnaliser le pipeline RAG. Nous passerons en revue quelques options pour illustrer comment ces paramètres influencent l’exactitude et l’utilité des réponses.

Options de configuration

Tout au long de cet article, nous continuerons à utiliser le même exemple de boîte de connaissances de notre procédure pas à pas précédente : celle qui indexe les Rapport sur les résultats du troisième trimestre 2025 de Progress Software. Cela nous donne un document concret et réel pour ancrer les exemples de configuration qui suivent.

Reformuler la requête

Parfois, la façon dont nous formulons une question n’est pas optimale pour la recherche sémantique. Le Reformuler la requête L’option utilise un LLM pour réécrire notre requête sous une forme plus susceptible de récupérer des résultats pertinents.

Par exemple, si nous demandons « Qu’a dit le PDG à propos de l’IA ? »le système peut le reformuler ainsi « Quels commentaires le PDG a-t-il faits concernant l’IA ? ». Lors du test de cette configuration et de l’inspection des journaux, nous avons observé exactement ce type de requête reformulée.

Remarque : La reformulation des requêtes n’affecte que la recherche sémantique. La recherche par mot-clé utilise toujours la requête d’origine.

Reclassement sémantique

Les résultats de recherche initiaux sont récupérés en fonction de la similarité d’intégration, mais ce n’est pas toujours le meilleur classement. Reclassement sémantique prend un ensemble initial de résultats plus large et utilise un modèle de reclassement spécialisé pour les réorganiser en fonction de la pertinence contextuelle de la requête.

Le reclassement sémantique produit une liste de résultats plus précise et mieux ordonnée. Ceci est particulièrement utile lorsqu’il s’agit de bases de connaissances volumineuses où la récupération initiale peut faire apparaître de nombreux documents vaguement liés.

Fusion de rangs réciproques

Progress Agentic RAG utilise à la fois la recherche par mot-clé et la recherche sémantique (basée sur l’intégration). Parce que ces systèmes de notation ne sont pas directement comparables, Agentic RAG peut appliquer un algorithme de fusion de rangs, Fusion de rangs réciproquespour fusionner leurs listes de classement en un seul classement unifié, améliorant ainsi les éléments qui apparaissent dans plusieurs modes de recherche.

Un document bien classé dans la recherche sémantique et par mots clés est plus pertinent qu’un document qui n’apparaît que dans une seule. Reciprocal Rank Fusion combine intelligemment ces signaux, et nous pouvons même ajuster la pondération pour améliorer les résultats sémantiques par rapport aux résultats de mots clés (ou vice versa) en fonction de notre cas d’utilisation.

Inclure les paragraphes voisins

RAG fonctionne mieux lorsque le modèle a suffisamment de contexte autour d’un paragraphe correspondant pour le comprendre pleinement. Le Inclure les paragraphes voisins L’option nous permet de spécifier combien de paragraphes avant et après chaque appel sont ajoutés au contexte (par exemple, deux paragraphes précédents et deux suivants).

Lorsque nous traitons de documents structurés comme le rapport sur les résultats du troisième trimestre 2025, les paragraphes voisins incluent souvent des légendes de tableau, des notes de bas de page ou un texte explicatif. Les inclure aide le modèle à interpréter correctement les chiffres et à répondre à des questions nuancées sans perdre le contexte environnant.

Utiliser des images dans les questions

Certains modèles peuvent traiter simultanément du texte et des images. Lorsque nous permettons Utiliser des images dans les questionsle widget permet aux utilisateurs de joindre des captures d’écran ou des photos à leur requête textuelle afin que le modèle puisse raisonner sur les deux.

Par exemple, même si ce n’est pas strictement nécessaire pour notre question sur le PDG, nous pourrions joindre une photo de profil du PDG (Yogesh Gupta) et demandez « Qu’a dit le PDG à propos de l’IA dans cette section ? ». Le modèle peut ensuite utiliser le contexte visuel à côté du texte récupéré pour étayer sa réponse.

Afficher les vignettes

Les repères visuels peuvent faciliter la reconnaissance des documents qui nous intéressent. Lorsque nous permettons Afficher les vignetteschaque résultat inclut une petite image d’aperçu (par exemple, la première page d’un PDF ou un instantané d’une page Web).

Pour le rapport sur les résultats du troisième trimestre 2025, cela pourrait signifier que nous reconnaissons immédiatement le PDF officiel de l’investisseur dans une longue liste de ressources, avant même de lire le titre ou les métadonnées.

Sortie JSON

Parfois, nous ne voulons pas seulement une réponse en langage naturel, nous voulons une charge utile structurée que nous pouvons insérer dans un autre système. Le Sortie JSON L’option nous permet de fournir un schéma JSON décrivant la forme de réponse attendue, et le modèle tentera de répondre avec cette structure.

Par exemple, au lieu de demander une explication libre des orientations mises à jour pour l’exercice 2025, nous pourrions définir un schéma tel que :

{
  "fiscal_year": "string",
  "revenue_guidance_min": "number",
  "revenue_guidance_max": "number",
  "previous_guidance_note": "string"
}

Avec la sortie JSON activée et ce schéma configuré, la réponse peut être analysée par programme. Par exemple, pour tracer des fourchettes de prévisions sur un tableau de bord ou les comparer aux trimestres précédents.

Ce type de sortie structurée est important lorsque nous utilisons Agentic RAG à partir du code plutôt que uniquement via l’interface sans code, car il permet aux services en aval de consommer les réponses directement plutôt que de récupérer du texte libre.

Conclure

Dans cet article, nous nous sommes concentrés sur une petite partie de ce que Recherche le panneau de configuration peut le faire. Nous avons examiné des options telles que la reformulation des requêtes, le reclassement sémantique, la fusion des classements réciproques, les paragraphes voisins, l’utilisation d’images dans les questions, l’affichage de vignettes et la sortie JSON. Même cette poignée de paramètres montre déjà à quel point nous avons un contrôle sur comment Progress Agentic RAG récupère, classe et présente le contexte de nos ressources de données.

Pour plus de détails et pour démarrer avec Progress Agentic RAG, assurez-vous de consulter les ressources suivantes :