خدمات طراحی و پیاده‌سازی AI Agent
طراحی Agent بازیابی دانش سازمانی (RAG)
طراحی و پیاده‌سازی عامل RAG روی دانش داخلی: پاک‌سازی داده، نمایه‌سازی، بازیابی با کنترل دسترسی، ارجاع به منبع، ارزیابی فارسی و امنیت.
مشروط به ارزیابی فنی
دامنه خدمت
طراحی و پیاده‌سازی عاملی که روی اسناد و دانش داخلی سازمان پاسخ می‌دهد و به منبع ارجاع می‌دهد: دریافت داده، نمایه‌سازی، بازیابی با کنترل دسترسی، تولید پاسخ و ارزیابی. این صفحه دامنهٔ همکاری را توصیف می‌کند؛ مشخصات دقیق، زمان‌بندی و هزینه پس از جلسهٔ نیازسنجی و امکان‌سنجی تعیین می‌شود و قیمت ثابتی در این صفحه منتشر نمی‌شود.
مسئله‌ای که حل می‌شود
جست‌وجوی سنتی اسناد پراکنده را دیر پیدا می‌کند و پاسخ مدل بدون منبع قابل‌اعتماد نیست. مشکل اصلی معمولاً کیفیت و مجوز داده است نه خود مدل.
معماری پیشنهادی
خط لولهٔ دریافت و پاک‌سازی، قطعه‌بندی همراه فراداده (مالک، نسخه، سطح دسترسی)، نمایهٔ متنی/برداری، بازیابی با فیلتر نقش، تولید پاسخ با ارجاع، ثبت لاگ و ارزیابی. کنترل دسترسی هنگام بازیابی اعمال می‌شود. راهنمای عمومی در بخش راهنماها آمده است.
مراحل اجرا
- فهرست و طبقه‌بندی منابع دانش
- طراحی خط لولهٔ داده و نمایه
- ساخت پایلوت روی یک حوزه
- ارزیابی با پرسش‌های واقعی فارسی
- افزودن کنترل دسترسی، لاگ و تأیید
- استقرار و پایش کیفیت
الزامات یکپارچگی
دسترسی خواندنی به مخازن سند (فایل، ویکی، تیکت، پایگاه داده)، سیستم هویت برای نقش‌ها، محیط اجرای مدل و ذخیرهٔ نمایه.
گزینه‌های استقرار
ابری، داخلی با مدل خودمیزبان یا ترکیبی؛ نمایه و داده می‌توانند در زیرساخت سازمان بمانند.
امنیت
فیلتر دسترسی در بازیابی، جداسازی متن اسناد از دستورها (برای مقابله با تزریق دستور)، رمزنگاری، لاگ و سیاست نگهداری داده، تأیید انسانی برای اقدام‌های نوشتنی.
ورودی‌های لازم از سوی سازمان
فهرست منابع و مالکان، سطح محرمانگی، نمونهٔ پرسش‌های واقعی، پاسخ مرجع، سیاست نگهداری و محل اجرای مدل.
تحویل‌دادنی‌ها
خط لولهٔ بازیابی، رابط پرسش‌وپاسخ، مجموعهٔ ارزیابی، گزارش کیفیت و محدودیت‌ها، راهنمای به‌روزرسانی نمایه.
معیار پذیرش
معیارهای توافق‌شده روی پرسش‌های واقعی: صحت، ارجاع درست، امتناع از پاسخ بی‌منبع و رعایت نقش‌ها؛ بدون عدد از پیش اعلام‌شده.
عوامل مؤثر بر هزینه
حجم و تنوع اسناد، پاک‌سازی داده، مدل و حجم پرسش، زیرساخت نمایه، کنترل دسترسی، ارزیابی مداوم.
پرسش‌های متداول
RAG چیست و چرا لازم است؟
روشی است که پیش از پاسخ، متن‌های مرتبط را از دانش سازمان بازیابی و به مدل می‌دهد تا پاسخ بر منبع مشخص تکیه کند.
داده‌های ما به بیرون می‌رود؟
بسته به معماری؛ در طرح داخلی نمایه و مدل هر دو در زیرساخت شما می‌مانند، در طرح ابری باید طبقه‌بندی داده و شرایط ارائه‌دهنده بررسی شود.
چگونه کیفیت فارسی سنجیده می‌شود؟
با مجموعهٔ پرسش و پاسخ مرجع از داده‌های خودتان، نه با عدد بنچمارک عمومی.
آیا RAG توهم را حذف می‌کند؟
کاهش می‌دهد اما حذف نمی‌کند؛ ارجاع به منبع و امتناع کنترل‌شده بخشی از طراحی است.