Linee guida per lo storage degli oggetti dello strumento RAG per gli agenti AI generativi

La migliore comprensione delle tabelle, una funzionalità degli strumenti RAG, mira a migliorare l'accuratezza delle risposte alle query con risposte incorporate nei dati delle tabelle PDF. Elabora queste tabelle per generare risposte più precise e pertinenti in linea con le informazioni in esse contenute. In generale, gli strumenti RAG possono leggere le tabelle. Affinché lo strumento RAG legga le tabelle con una migliore comprensione delle tabelle, assicurarsi che le tabelle abbiano le seguenti funzioni:

• Tutte le celle della tabella sono separate da linee visibili o limiti di oggetti di altre celle, inclusi i nomi di intestazione nella prima riga.
• Tutte le colonne, inclusa la prima colonna, hanno un nome intestazione.
• Ogni tabella ha più di una colonna e più di una riga, esclusa la riga con nomi di intestazione.

Utilizzare metadati predefiniti per applicare filtri durante una chat. Quando vengono applicati filtri, le ricerche di un agente in una sessione di chat sono limitate ai file di dati associati ai metadati, aiutando il modello a generare risposte pertinenti all'ambito del contenuto, migliorando così l'accuratezza e la pertinenza delle risposte dell'agente.

I passi riportati di seguito descrivono una panoramica di come utilizzare la funzione di filtro dei metadati. Dopo aver compreso la panoramica del flusso di lavoro, esaminare i dettagli del caso d'uso nelle sezioni fornite dopo i passi della panoramica.

1. In un editor di testo, creare lo schema dei metadati, necessario per i filtri che si desidera rendere disponibili. Scrivere lo schema in formato JSON. Assegnare al file il nome _metadata_schema.json.

   Esempio:

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

2. Caricare il file _metadata_schema.json creato nel passo 1 al livello radice del bucket di storage degli oggetti che contiene i file di dati per una knowledge base.
3. Creare file JSON per associare i file di dati ai metadati predefiniti e fornire i valori dei metadati.

   Esempio:

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

   È possibile associare uno o più file di dati o tutti i file in un bucket ai metadati. Per informazioni dettagliate sulle convenzioni dei nomi file JSON da utilizzare per le opzioni scelte, vedere Opzioni filtro metadati (nome file e posizione).

4. Caricare i file JSON creati nel passo 3 nel bucket di storage degli oggetti che contiene i file di dati per una knowledge base. Per ciascuna opzione, assicurarsi di salvare il file nella posizione corretta nella gerarchia.
5. Creare una knowledge base. Selezionare lo storage degli oggetti come tipo di data store e l'opzione per avviare automaticamente il job di inclusione.

   Quando i file di dati vengono inclusi, gli agenti AI generativa creano una lista dei nomi dei metadati e dei valori che possono essere selezionati in una chat. Per visualizzare i nomi e i valori dei metadati inclusi, vedere Ottenere i dettagli di una Knowledge Base negli agenti AI generativa.

6. Creare un agente con uno strumento RAG, selezionando la knowledge base creata nel passo 5. Nell'agente, selezionare l'opzione per creare automaticamente un endpoint. Per assistenza, vedere Creazione di un agente e Creazione di uno strumento RAG.
7. In una finestra di chat, aggiungere uno o più filtri di metadati predefiniti e selezionare i valori da applicare. Vedere Uso di filtri metadati in una chat.

Questo argomento mostra come aggiungere o aggiornare l'oggetto metadata tramite l'interfaccia CLI OCI.