RAG-Tool Object Storage - Richtlinien für generative KI-Agents

Ein verbessertes Tabellenverständnis, ein Feature von RAG-Tools, zielt darauf ab, die Genauigkeit von Antworten auf Abfragen mit Antworten zu verbessern, die in PDF-Tabellendaten eingebettet sind. Diese Tabellen werden verarbeitet, um genauere und relevantere Antworten zu generieren, die auf die enthaltenen Informationen abgestimmt sind. Im Allgemeinen können die RAG-Tools die Tabellen lesen. Damit das RAG-Tool die Tabellen mit verbessertem Tabellenverständnis lesen kann, stellen Sie sicher, dass die Tabellen über die folgenden Features verfügen:

• Alle Zellen der Tabelle sind durch sichtbare Linien oder Objektgrenzen von anderen Zellen getrennt, einschließlich der Headernamen in der ersten Zeile.
• Alle Spalten, einschließlich der ersten Spalte, haben einen Headernamen.
• Jede Tabelle enthält mehr als eine Spalte und mehr als eine Zeile, wobei die Zeile mit Headernamen ausgeschlossen wird.

Verwenden Sie vordefinierte Metadaten, um Filter während eines Chats anzuwenden. Wenn Filter angewendet werden, sind die Suchvorgänge eines Agent in einer Chatsession auf Datendateien beschränkt, die mit den Metadaten verknüpft sind. So kann das Modell Antworten generieren, die für den Inhaltsumfang relevant sind, und so die Antwortgenauigkeit und Relevanz des Agent verbessern.

In den folgenden Schritten wird ein Überblick über die Verwendung der Metadatenfilterfunktion beschrieben. Nachdem Sie die Workflowübersicht verstanden haben, prüfen Sie die Details für Ihren Anwendungsfall in den Abschnitten, die nach den Überblickschritten bereitgestellt wurden.

1. Erstellen Sie in einem Texteditor das Metadatenschema, das für die Filter erforderlich ist, die Sie zur Verfügung stellen möchten. Schreiben Sie das Schema im JSON-Format. Geben Sie der Datei den Namen _metadata_schema.json.

   Beispiel:

   {
       "metadataSchema": [
           {
               "name": "publication_year",
               "type": "integer"
           },
           {
               "name": "title",
               "type": "string"
           }
   	]
   }

2. Laden Sie die in Schritt 1 erstellte Datei _metadata_schema.json auf die Stammebene des Objektspeicher-Buckets hoch, der die Datendateien für eine Wissensdatenbank enthält.
3. Erstellen Sie JSON-Dateien, um Datendateien mit den vordefinierten Metadaten zu verknüpfen und die Metadatenwerte bereitzustellen.

   Beispiel:

   {
       "metadataAttributes": {
           "publication_year": 2020
       }
   } 

   Sie können eine oder mehrere Datendateien oder alle Dateien in einem Bucket mit den Metadaten verknüpfen. Einzelheiten zu den JSON-Dateinamenskonventionen, die für die ausgewählten Optionen verwendet werden sollen, finden Sie unter Metadatenfilteroptionen (Dateiname und Speicherort).

4. Laden Sie die in Schritt 3 erstellten JSON-Dateien in den Objektspeicher-Bucket hoch, der die Datendateien für eine Wissensdatenbank enthält. Stellen Sie für jede Option sicher, dass Sie die Datei am richtigen Speicherort in der Hierarchie speichern.
5. Erstellen Sie eine Wissensdatenbank. Wählen Sie Object Storage als Datenspeichertyp und die Option, den Aufnahmejob automatisch zu starten.

   Wenn die Datendateien aufgenommen werden, erstellt Generative AI Agents eine Liste der Metadatennamen und der Werte, die in einem Chat ausgewählt werden können. Informationen zum Anzeigen der aufgenommenen Metadatennamen und -werte finden Sie unter Details einer Knowledge Base in Generative AI Agents abrufen.

6. Erstellen Sie einen Agent mit einem RAG-Tool, und wählen Sie die in Schritt 5 erstellte Wissensdatenbank aus. Wählen Sie im Agent die Option zum automatischen Erstellen eines Endpunkts aus. Wenn Sie Hilfe benötigen, lesen Sie Agent erstellen und RAG-Tool erstellen.
7. Fügen Sie in einem Chatfenster einen oder mehrere vordefinierte Metadatenfilter hinzu, und wählen Sie die anzuwendenden Werte aus. Siehe Metadatenfilter in einem Chat verwenden.

In diesem Thema wird gezeigt, wie Sie das Objekt metadata über die OCI-CLI hinzufügen oder aktualisieren.