فرض کنید مشتری ساعت یازده شب در واتس‌اپ می‌پرسد «ارسال به مشهد چند روز طول می‌کشه؟». یک دستیار هوش مصنوعی معمولی هم جوابی می‌دهد، اما از کجا؟ اگر شرایط ارسال فروشگاه شما را نخوانده باشد، عددی می‌گوید که فقط شبیه جواب درست است.
در این مقاله می‌بینیم RAG چیست، چرا بدون آن دستیار شما ممکن است جواب بسازد و گاندو چطور از آن استفاده می‌کند تا فقط از اسناد خود شما جواب بدهد.
RAG به زبان ساده
RAG کوتاه‌شدهٔ Retrieval-Augmented Generation است؛ یعنی «تولید پاسخ با کمک بازیابی اطلاعات». در این روش، مدل زبانی به‌جای تکیه بر حافظهٔ عمومی خودش، اول در اسناد شما می‌گردد، بخشهای مرتبط با سؤال را پیدا می‌کند و فقط بر اساس همان‌ها جواب می‌سازد.
مثل کارمند تازه‌واردی که پیش از جواب دادن به مشتری، دفترچهٔ راهنمای فروشگاه را باز می‌کند. اگر جواب در دفترچه باشد، دقیق جواب می‌دهد؛ اگر نباشد، می‌گوید «باید از همکارم بپرسم».
مشکل کجاست؟ جواب‌های ساختگی
مدل‌های زبانی بزرگ روی متن‌های عمومی آموزش دیده‌اند. آنها قیمت‌ها، موجودی انبار و شرایط ارسال شما را نمی‌دانند. وقتی چیزی را ندانند، گاهی جوابی می‌سازند که درست به نظر میرسد؛ به این پدیده «توهم مدل» می‌گویند. نمونه‌هایش برای یک فروشگاه آشناست:
- قیمتی که هیچ‌وقت در فهرست شما نبوده است.
- تخفیفی که هرگز نداده‌اید و حالا مشتری آن را می‌خواهد.
- زمان ارسالی که نمی‌توانید رعایت کنید.
برای کسب‌وکاری که با اعتماد مشتری کار می‌کند، جواب اشتباه از بی‌جوابی گران‌تر است.
گاندو چطور از RAG استفاده می‌کند؟
وقتی اسنادتان را در گاندو بارگذاری می‌کنید، این چهار مرحله پشت هر جواب اتفاق می‌افتد:
- آماده‌سازی اسناد: فایل‌های PDF، Word و متنی شما به بخشهای کوچک تقسیم و برای جستجوی معنایی آماده میشوند.
- جستجوی معنایی: وقتی مشتری می‌پرسد، گاندو بخش‌هایی را پیدا می‌کند که از نظر معنا به سؤال نزدیک‌اند، حتی اگر کلمه‌هایشان فرق کند.
- آستانهٔ ارتباط: فقط بخش‌هایی که به اندازهٔ کافی به سؤال مربوط باشند به مدل داده میشوند؛ بقیه کنار گذاشته میشوند.
- پاسخ مستند یا «نمی‌دانم»: اگر هیچ بخش مرتبطی پیدا نشود، گاندو جوابی نمی‌سازد و پیام صادقانه‌ای برای مشتری می‌فرستد.
یک مثال واقعی
فرض کنید اسناد یک فروشگاه کفش فقط شامل کاتالوگ و شرایط ارسال باشد:
| سؤال مشتری | در اسناد هست؟ | جواب گاندو |
|---|---|---|
| ارسال به مشهد چند روز طول می‌کشه؟ | بله، در «شرایط ارسال» | ارسال به مشهد ۲ تا ۳ روز کاری است. |
| مدل آوا سایز ۳۸ دارید؟ | بله، در «کاتالوگ» | بله، در رنگ مشکی و کرم موجود است. |
| تعمیر لوازم خانگی هم انجام می‌دید؟ | نه | متأسفانه اطلاعات کافی برای پاسخ به این سؤال ندارم؛ لطفاً با پشتیبانی در ارتباط باشید. |
چه اسنادی به دستیار بدهیم؟
کیفیت جوابها مستقیماً به کیفیت اسناد بستگی دارد. این‌ها را از روز اول بارگذاری کنید:
- فهرست محصولات یا خدمات با مشخصات و قیمت بهروز
- شرایط ارسال، مرجوعی و ضمانت
- پرسش‌های پرتکرار همراه با جواب
- ساعت کاری، نشانی شعبه‌ها و راه‌های تماس
- روش‌های پرداخت و صدور فاکتور
نکتهٔ گاندو: اسناد قدیمی را حذف کنید
اگر دو سند قیمت‌های متفاوتی بگویند، دستیار هم ممکن است جواب قدیمی را پیدا کند. هر بار که قیمت‌ها عوض شد، سند قبلی را بردارید.
جای آدم‌ها کجاست؟
RAG دقت جوابها را بالا می‌برد، اما جای اپراتور را نمی‌گیرد. گفتگوهای حساس مثل مذاکرهٔ قیمت یا شکایت را در پنل اپراتور تحویل بگیرید. اگر این امکان را فعال کنید، خود مشتری هم می‌تواند با فرستادن «توقف پاسخ خودکار» کارشناس بخواهد.
جمع‌بندی
RAG دستیار را از یک «حدس‌زن خوش‌بیان» به یک «کارمند دفترچه‌خوان» تبدیل می‌کند: فقط از اسناد شما جواب می‌دهد و وقتی چیزی نمی‌داند، صادقانه می‌گوید. اسناد کامل و بهروز، کلید جواب‌های دقیق است.
سؤالات رایج دربارهٔ RAG
آیا RAG یعنی مدل را با اسناد من دوباره آموزش میدهند؟
نه. در RAG خود مدل تغییر نمیکند؛ هر بار که سؤالی میرسد، بخشهای مرتبط اسناد پیدا و همراه سؤال به مدل داده میشود. برای همین با بهروز کردن اسناد، جوابها هم بهروز میشوند.
اگر سندم را عوض کنم، دستیار کی متوجه میشود؟
به محض اینکه پردازش سند جدید تمام شود، جستجوها روی نسخهٔ تازه انجام میشود. نسخهٔ قدیمی را هم حذف کنید تا دو سند متناقض کنار هم نمانند.
اسناد من در اختیار کسبوکارهای دیگر قرار میگیرد؟
نه. اسناد هر کسبوکار جدا نگه داشته میشود و فقط برای جواب دادن به مشتریهای همان کسبوکار جستجو میشود.
