# నాలెడ్జ్ & RAG


# నాలెడ్జ్ & RAG

**నాలెడ్జ్** టాబ్ మీ ఏజెంట్‌ను ఊహించడానికి బదులుగా మీ స్వంత డాక్యుమెంట్‌ల నుండి సమాధానమిచ్చేలా చేస్తుంది. ఇది ఏజెంట్‌ను ఒక నాలెడ్జ్ బేస్‌కు కనెక్ట్ చేస్తుంది మరియు రిట్రీవల్-ఆగ్‌మెంటెడ్ జెనరేషన్ (RAG)ను ఉపయోగిస్తుంది: ఒక కాలర్ ఏదైనా అడిగినప్పుడు, ఏజెంట్ అత్యంత సంబంధిత భాగాలను వెతికి వాటి నుండి సమాధానమిస్తుంది. దీన్ని **/agent/setup**లోని ఏజెంట్ బిల్డర్‌లో **Model** ([LLM](./llm)) టాబ్‌లో సెట్ చేయండి.

## ఇక్కడ RAG ఎలా పనిచేస్తుంది

![RAG తో నాలెడ్జ్ బేస్](/img/screenshots/portal/knowledge-base.png)
*నాలెడ్జ్ బేస్: డాక్యుమెంట్‌లు చంక్‌లుగా విభజించబడి, ఇండెక్స్ చేయబడి, కాల్ సమయంలో తిరిగి పొందబడతాయి, నాణ్యత మరియు కవరేజ్ విశ్లేషణతో పాటు.*

RAG సమాధానాలను స్థిరంగా ఉంచుతుంది. మోడల్‌కు ఇప్పటికే తెలిసిన దానిపై మాత్రమే ఆధారపడకుండా, ఏజెంట్ మీ డాక్యుమెంట్‌ల నుండి సరిపోయే కంటెంట్‌ను తిరిగి పొంది, ప్రతిస్పందించడానికి దాన్ని ఉపయోగిస్తుంది. అంటే మీ ఉత్పత్తులు, విధానాలు మరియు ప్రక్రియల గురించి ఖచ్చితమైన, తాజా సమాధానాలు — మరియు చాలా తక్కువ కల్పిత ప్రత్యుత్తరాలు.

మీరు ఒక నాలెడ్జ్ బేస్‌ను లింక్ చేయగలగడానికి ముందు, మీకు ఒకటి అవసరం. మీ డాక్యుమెంట్‌లను (PDF, DOCX లేదా TXT) అప్‌లోడ్ చేసి [నాలెడ్జ్ బేస్](../knowledge-base)లో వాటిని నిర్వహించండి.

## మీరు లింక్ చేయడానికి ముందు

ఈ టాబ్ ఏదైనా చేయడానికి ముందు దానిలో కంటెంట్ ఉన్న ఒక నాలెడ్జ్ బేస్ మీకు అవసరం. క్రమం ఇలా ఉంటుంది:

1. [నాలెడ్జ్ బేస్](../knowledge-base)లో మీ డాక్యుమెంట్‌లను అప్‌లోడ్ చేసి ఇండెక్స్ చేయండి.
2. ఈ టాబ్‌కు తిరిగి వచ్చి, ఆ నాలెడ్జ్ బేస్‌ను ఏజెంట్‌కు **లింక్** చేయండి.
3. దిగువన సారూప్యత థ్రెషోల్డ్ మరియు టాప్-kను ట్యూన్ చేయండి.
4. నిజమైన ప్రశ్నలతో పరీక్షించి సర్దుబాటు చేయండి.

## ఒక నాలెడ్జ్ బేస్‌ను లింక్ చేయండి

నాలెడ్జ్ టాబ్‌లో, ఈ ఏజెంట్ ఆధారపడాలనుకునే నాలెడ్జ్ బేస్‌ను **లింక్** చేయండి. లింక్ చేసిన తర్వాత, ఏజెంట్ కాల్‌ల సమయంలో దాన్ని స్వయంచాలకంగా శోధించి, సమాధానమివ్వడానికి అది కనుగొన్నదాన్ని ఉపయోగిస్తుంది.

## సారూప్యత థ్రెషోల్డ్

**సారూప్యత థ్రెషోల్డ్** ఒక భాగం ఉపయోగించబడటానికి ముందు కాలర్ ప్రశ్నతో అది ఎంత దగ్గరగా సరిపోలాలో సెట్ చేస్తుంది.

- **అధిక** థ్రెషోల్డ్ బలమైన మ్యాచ్‌లను మాత్రమే తిరిగి ఇస్తుంది — మరింత ఖచ్చితమైనది, కానీ వదులుగా వ్రాసిన ప్రశ్నలకు ఏజెంట్‌కు ఏమీ దొరకకపోవచ్చు.
- **తక్కువ** థ్రెషోల్డ్ మరింత క్షమాశీలమైనది మరియు ఎక్కువ భాగాలను బయటకు తెస్తుంది, తక్కువ సంబంధిత వాటిని లాగే ప్రమాదంతో.

ఏజెంట్ శబ్దాన్ని లాగకుండా మీ కంటెంట్‌ను నమ్మదగిన విధంగా కనుగొనేలా దీన్ని ట్యూన్ చేయండి.

## టాప్-k

**టాప్-k** ప్రతి ప్రశ్నకు ఏజెంట్ ఎన్ని ఉత్తమ-సరిపోలే భాగాలను తిరిగి పొందుతుందో సెట్ చేస్తుంది.

- **చిన్న** టాప్-k సమాధానాలను బిగుతుగా మరియు దగ్గరి మ్యాచ్‌లపై కేంద్రీకృతంగా ఉంచుతుంది.
- **పెద్ద** టాప్-k ఏజెంట్‌కు పనిచేయడానికి మరింత సందర్భాన్ని ఇస్తుంది, ఇది విస్తృత ప్రశ్నలకు సహాయపడుతుంది కానీ సమాధానాన్ని పలచబరచవచ్చు.

:::tip

సంప్రదాయవాద విలువలతో ప్రారంభించండి, ఆపై **/agent/chat**లోని **చాట్ పరీక్ష**లో నిజమైన ప్రశ్నలతో పరీక్షించండి. మీ డాక్యుమెంట్‌లలో స్పష్టంగా ఉన్న సమాధానాలను ఏజెంట్ తప్పిపోతే, థ్రెషోల్డ్‌ను తగ్గించండి లేదా టాప్-kను కొంచెం పెంచండి; అది విషయ సంబంధం లేని కంటెంట్‌ను లాగితే, దానికి వ్యతిరేకంగా చేయండి.

:::

## ఒక్క చూపులో ట్యూనింగ్

ఏజెంట్ మీకు కావలసిన విధంగా సమాధానం ఇవ్వనప్పుడు, ఈ రెండు లక్షణాలు చాలా సందర్భాలను కవర్ చేస్తాయి:

| లక్షణం | సంభావ్య కారణం | ప్రయత్నించండి |
| --- | --- | --- |
| ఏజెంట్ తనకు తెలియదని చెబుతుంది, కానీ సమాధానం మీ డాక్స్‌లో ఉంది | థ్రెషోల్డ్ చాలా కఠినంగా ఉంది, లేదా టాప్-k చాలా చిన్నది | సారూప్యత థ్రెషోల్డ్‌ను తగ్గించండి, లేదా టాప్-kను కొంచెం పెంచండి |
| ఏజెంట్ విషయ సంబంధం లేని లేదా తప్పు మెటీరియల్‌ను లాగుతుంది | థ్రెషోల్డ్ చాలా వదులుగా ఉంది, లేదా టాప్-k చాలా పెద్దది | సారూప్యత థ్రెషోల్డ్‌ను పెంచండి, లేదా టాప్-kను తగ్గించండి |

ఒకేసారి ఒక సెట్టింగ్‌ను మార్చి మళ్ళీ పరీక్షించండి, తద్వారా ఫలితాన్ని నిజంగా ఏది మార్చిందో మీరు చెప్పగలరు.

## తదుపరి దశలు

- [నాలెడ్జ్ బేస్‌లో డాక్యుమెంట్‌లను అప్‌లోడ్ చేసి నిర్వహించండి](../knowledge-base)
- [ఏజెంట్‌కు సాధనాలు మరియు MCP చర్యలను ఇవ్వండి](./tools-mcp)
- [సమాధానాలను రూపొందించే సిస్టమ్ ప్రాంప్ట్‌ను ట్యూన్ చేయండి](./llm)
- [ఏజెంట్ల అవలోకనానికి తిరిగి వెళ్లండి](./overview)