Directrices de almacenamiento de objetos de la herramienta RAG para agentes de IA generativa

La comprensión mejorada de las tablas, una función de las herramientas de RAG, tiene como objetivo mejorar la precisión de las respuestas a las consultas con respuestas incrustadas en los datos de las tablas PDF. Procesa estas tablas para generar respuestas más precisas y relevantes alineadas con la información que contienen. En general, las herramientas de RAG pueden leer las tablas. Para que la herramienta RAG lea las tablas con una comprensión mejorada de las tablas, asegúrese de que las tablas tengan las siguientes funciones:

• Todas las celdas de la tabla se separan con líneas visibles o límites de objetos de otras celdas, incluidos los nombres de cabecera de la primera fila.
• Todas las columnas, incluida la primera columna, tienen un nombre de cabecera.
• Cada tabla tiene más de una columna y más de una fila, excluyendo la fila con nombres de cabecera.

Utilizar metadatos predefinidos para aplicar filtros durante un chat. Cuando se aplican filtros, las búsquedas de un agente en una sesión de chat se limitan a los archivos de datos asociados a los metadatos, lo que ayuda al modelo a generar respuestas relevantes para el ámbito de contenido, mejorando así la precisión y relevancia de la respuesta del agente.

Los siguientes pasos describen una descripción general de cómo utilizar la función de filtrado de metadatos. Después de comprender la descripción general del flujo de trabajo, revise los detalles del caso de uso en las secciones proporcionadas después de los pasos de descripción general.

1. En un editor de texto, cree el esquema de metadatos, que es necesario para los filtros que desea que estén disponibles. Escriba el esquema en formato JSON. Asigne al archivo el nombre _metadata_schema.json.

   Ejemplo:

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

2. Cargue el archivo _metadata_schema.json creado en el paso 1 en el nivel raíz del cubo de Object Storage que contiene los archivos de datos para una base de conocimientos.
3. Cree archivos JSON para asociar archivos de datos a los metadatos predefinidos y proporcione los valores de metadatos.

   Ejemplo:

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

   Puede asociar uno o más archivos de datos o todos los archivos de un cubo a los metadatos. Para obtener más información sobre las convenciones de nombre de archivo JSON que se deben utilizar para las opciones que elija, consulte Opciones de filtro de metadatos (nombre de archivo y ubicación).

4. Cargue los archivos JSON creados en el paso 3 en el cubo de Object Storage que contiene los archivos de datos para una base de conocimientos. Para cada opción, asegúrese de guardar el archivo en la ubicación correcta en la jerarquía.
5. Cree una base del conocimiento. Seleccione Object Storage como tipo de almacén de datos y la opción para iniciar automáticamente el trabajo de ingesta.

   Cuando se ingieren los archivos de datos, los agentes de IA generativa crean una lista de los nombres de metadatos y los valores que se pueden seleccionar en un chat. Para ver los nombres y valores de metadatos ingeridos, consulte Obtención de detalles de una base de conocimientos en agentes de IA generativa.

6. Cree un agente con una herramienta RAG, seleccionando la base de conocimientos creada en el paso 5. En el agente, seleccione la opción para crear automáticamente un punto final. Si necesita ayuda, consulte Creación de un Agente y Creación de una Herramienta RAG.
7. En una ventana de chat, agregue uno o más filtros de metadatos predefinidos y seleccione los valores que desea aplicar. Consulte Uso de filtros de metadatos en un chat.

En este tema se muestra cómo agregar o actualizar el objeto metadata mediante la CLI de OCI.