Wir haben von Entwicklern, die mit Vektordatenbanken arbeiten, gehört, dass die Verwendung von GPT zum Konvertieren von Dokumenten in verschiedene Formate die Zuverlässigkeit von Vektorsuchen beim Erstellen von RAG-Anwendungen verbessern kann.
Beispielsweise scheint die Konvertierung von Dokumenten in Frage-Antwort-Paare und die Indizierung der aus diesen Paaren generierten vektorbasierten Dokumente intuitiv bessere Ergebnisse für als Fragen formatierte Abfragen zu liefern.
{
"questions_and_answers": [
{
"question": "Who is the email from?",
"answer": "The email is from [email protected]."
},
{
"question": "Who is the email to?",
"answer": "The email is to [email protected]."
},
{
"question": "What is the issue the back office is having?",
"answer": "The back office is having a hard time dealing with the $11 million dollars that is to be recognized as transport expense by the west desk then recouped from the Office of the Chairman."
},
...
}
Wir waren neugierig, ob dies in der Praxis und in der Theorie zutraf, und erstellten daher mithilfe von LangChain und FAISS einen grundlegenden Benchmark, um festzustellen, ob und unter welchen Bedingungen diese Leistungsverbesserungen real waren.
# 结果总结
与向量化原始电子邮件相比