← Torna all'elenco

Migliori pratiche RAG

Architettura complessiva

  1. Calcola documenti ed interroga i vettori con openai/text-embedding-3-large
  2. Recupera Top-K da un archivio vettoriale (FAISS / Milvus / pgvector)
  3. Riclassifica con cohere/rerank-english-v3
  4. Unisci i pezzi Top-N nel prompt e lascia cohere/command-r-plus oppure Claude genera la risposta finale

Incorporamento

python
resp = client.embeddings.create(
    model="openai/text-embedding-3-large",
    input=[chunk.text for chunk in chunks],
)
vectors = [d.embedding for d in resp.data]

Modello di richiesta

text
You are an expert assistant. Answer based ONLY on context.
If the answer is not in the context, say "I don't know".

[Context]
{retrieved_chunks}

[Question]
{user_question}