Słownik Webflux Agentic Web
Techniczne — strona

wyszukiwanie hybrydowe

Połączenie wyszukiwania wektorowego z pełnotekstowym, z wynikami łączonymi w jeden ranking. Wyszukiwanie po tekście ratuje przypadki, w których embeddingi zawodzą: identyfikatory, kwoty, daty, rzadkie nazwy własne i terminy branżowe. Standard przy bazach z dokumentacją, danymi produktowymi i umowami.

W Polsce nazywane też:

wyszukiwanie mieszanełączenie rankingówsemantyczne plus pełnotekstowe

Wyszukiwanie semantyczne rozumie znaczenie i gubi szczegóły. Wyszukiwanie po słowach kluczowych łapie szczegóły i nie rozumie znaczenia. Wyszukiwanie hybrydowe używa obu naraz.

Na czym polega

Zapytanie idzie równolegle dwiema drogami: przez wyszukiwanie wektorowe, które szuka podobieństwa znaczeniowego, i przez klasyczne wyszukiwanie pełnotekstowe, które szuka dopasowania słów. Wyniki obu list są następnie łączone w jeden ranking.

Co ratuje wyszukiwanie pełnotekstowe

Dokładnie te przypadki, w których embeddingi zawodzą. Numery katalogowe, sygnatury, identyfikatory, kwoty, daty. Rzadkie nazwy własne, których model embeddingowy nie widział w treningu. Terminy branżowe używane w konkretnym, wąskim znaczeniu. Skróty i oznaczenia produktów.

Dla przestrzeni znaczeń numer faktury jest szumem. Dla wyszukiwania po tekście jest jednoznacznym kluczem.

Łączenie wyników

Dwie listy mają nieporównywalne skale ocen, więc nie da się ich po prostu zsumować. Najczęściej stosuje się łączenie oparte na pozycjach w rankingach zamiast na surowych wynikach — dokument wysoko w obu listach wygrywa z dokumentem bardzo wysoko w jednej.

Kiedy warto

Praktycznie zawsze przy bazach zawierających dokumentację techniczną, dane produktowe, umowy albo cokolwiek z identyfikatorami. Sama różnica między „umowa obejmuje” a „umowa nie obejmuje” nie zostanie rozstrzygnięta przez żadną z tych metod osobno — ale wyszukiwanie hybrydowe w połączeniu z rerankingiem daje na to realną szansę.

Powiązane pojęcia

przeszeregowanie wynikówDrugi etap wyszukiwania, w którym model ocenia parę pytanie–dokument widząc oba teksty naraz, zamiast porównywać osobno policzone wektory. Dokładniejszy i wolniejszy, więc stosowany do krótkiej listy kandydatów z etapu pierwszego. Radzi sobie z negacją i niuansami, na których wyszukiwanie wektorowe zawodzi.RAG grafowyOdmiana RAG, w której z dokumentów wydobywa się encje i relacje, budując graf wiedzy, a wyszukiwanie porusza się po powiązaniach zamiast po podobieństwie fragmentów. Rozwiązuje pytania globalne, na które odpowiedź trzeba złożyć z wielu miejsc. Kosztowniejszy w budowie i utrzymaniu niż klasyczny RAG.Wektorowa baza danychBaza danych zoptymalizowana pod przechowywanie i przeszukiwanie embeddingów — umożliwiająca szybkie wyszukiwanie semantyczne "znajdź K najbliższych wektorów do tego zapytania". Fundament infrastruktury RAG dla agentów AI.Osadzenie wektoroweNumeryczna reprezentacja tekstu w wielowymiarowej przestrzeni wektorowej, gdzie podobne znaczeniowo obiekty mają bliskie wektory — fundament wyszukiwania semantycznego i RAG. Termin obejmuje dwie różne rzeczy: wiersz macierzy embeddingów wskazywany numerem tokenu wewnątrz modelu językowego oraz wektor całego tekstu zwracany przez osobny model embeddingowy.Generowanie wspomagane wyszukiwaniemArchitektura systemu AI łącząca model językowy z zewnętrzną bazą wiedzy — model otrzymuje w czasie rzeczywistym fragmenty dokumentów odnalezione przez wyszukiwanie semantyczne i generuje odpowiedź na podstawie aktualnej, specyficznej dla kontekstu wiedzy zamiast polegać wyłącznie na danych treningowych.

Artykuły na webflux.pl