Diretrizes de Armazenamento de Objetos da Ferramenta RAG para Agentes de IA Generativa

A compreensão aprimorada da tabela, um recurso das ferramentas RAG, visa melhorar a precisão das respostas às consultas com respostas incorporadas nos dados da tabela PDF. Ele processa essas tabelas para gerar respostas mais precisas e relevantes alinhadas com as informações que elas contêm. Em geral, as ferramentas RAG podem ler as tabelas. Para que a ferramenta RAG leia as tabelas com melhor compreensão de tabelas, certifique-se de que elas tenham os seguintes recursos:

• Todas as células da tabela são separadas por linhas visíveis ou limites de objetos de outras células, incluindo os nomes de cabeçalho na primeira linha.
• Todas as colunas, incluindo a primeira coluna, têm um nome de cabeçalho.
• Cada tabela tem mais de uma coluna e mais de uma linha, excluindo a linha com nomes de cabeçalho.

Use metadados predefinidos para aplicar filtros durante um chat. Quando os filtros são aplicados, as pesquisas de um agente em uma sessão de chat são limitadas a arquivos de dados associados aos metadados, ajudando o modelo a gerar respostas relevantes ao escopo do conteúdo, aumentando assim a precisão e a relevância da resposta do agente.

As etapas a seguir descrevem uma visão geral de como usar o recurso de filtragem de metadados. Depois de entender a visão geral do workflow, revise os detalhes do seu caso de uso nas seções fornecidas após as etapas de visão geral.

1. Em um editor de texto, crie o esquema de metadados, que é necessário para os filtros que você deseja disponibilizar. Grave o esquema no formato JSON. Nomeie o arquivo como _metadata_schema.json.

   Exemplo:

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

2. Faça upload do arquivo _metadata_schema.json criado na etapa 1 para o nível raiz do bucket do Object Storage que contém os arquivos de dados de uma base de conhecimento.
3. Crie arquivos JSON para associar arquivos de dados aos metadados predefinidos e fornecer os valores de metadados.

   Exemplo:

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

   Você pode associar um ou mais arquivos de dados ou todos os arquivos de um bucket aos metadados. Para obter detalhes sobre as convenções de nome de arquivo JSON a serem usadas para as opções escolhidas, consulte Opções de Filtro de Metadados (Nome e Local do Arquivo).

4. Faça upload dos arquivos JSON criados na etapa 3 para o bucket do Object Storage que contém os arquivos de dados de uma base de conhecimento. Para cada opção, certifique-se de salvar o arquivo no local correto na hierarquia.
5. Criar uma base de conhecimento. Selecione Object Storage como o tipo de armazenamento de dados e a opção para iniciar automaticamente o job de ingestão.

   Quando os arquivos de dados são ingeridos, os Agentes de IA Generativa criam uma lista dos nomes de metadados e dos valores que podem ser selecionados em um chat. Para exibir os nomes e valores de metadados ingeridos, consulte Obtendo Detalhes de uma Base de Conhecimento em Agentes de IA Generativa.

6. Crie um agente com uma ferramenta RAG, selecionando a base de conhecimento criada na etapa 5. No agente, selecione a opção para criar automaticamente um ponto final. Se precisar de ajuda, consulte Criando um Agente e Criando uma ferramenta RAG.
7. Em uma janela de chat, adicione um ou mais filtros de metadados predefinidos e selecione os valores a serem aplicados. Consulte Usar Filtros de Metadados em um Chat.

Este tópico mostra como adicionar ou atualizar o objeto metadata por meio da CLI do OCI.