מדריך מקצועי קצר

שילוב RAG במערכת קיימת

RAG הוא דפוס שבו המערכת מחפשת מידע רלוונטי ממקורות חיצוניים או פנימיים לפני שהמודל עונה. כך התשובה נשענת על הידע של העסק ולא רק על הזיכרון הכללי של המודל.

RAG מתאים כשצריך שה־AI יענה מתוך מסמכים, נהלים, נתונים או בסיס ידע שמתעדכן לאורך זמן.

מה RAG פותר?

מודל שפה רגיל יכול לנסח תשובה, אבל הוא לא בהכרח יודע מה כתוב במסמכים של העסק. RAG מוסיף שלב אחזור: המערכת מוצאת מקטעים רלוונטיים, מעבירה אותם למודל, והמודל מנסח תשובה על בסיסם.

זה מתאים לתמיכה בלקוחות, שאלות עובדים, חיפוש במסמכים, מערכות הדרכה, הצעות מחיר, ניתוח חוזים או כל תהליך שבו ידע עסקי משתנה לאורך זמן.

מה צריך להכין לפני שילוב RAG?

צריך למפות מקורות ידע, לנקות מסמכים, לחלק מידע למקטעים הגיוניים, לבחור שיטת חיפוש, ולבדוק שהמערכת מחזירה הקשר נכון. מסמך ארוך בלי חלוקה טובה יוצר תשובות חלשות גם אם המודל חזק.

צריך גם לחשוב על הרשאות: לא כל משתמש רשאי לראות כל מסמך. RAG במערכת עסקית חייב לכבד הרשאות, פרטיות והפרדה בין לקוחות או צוותים.

איך איתי קרקסון משלב RAG?

איתי קרקסון מחבר RAG למערכות קיימות דרך תהליך מדורג: מיפוי ידע, בניית אינדקס, חיבור לממשק, בדיקות תשובות, טיפול בהרשאות והוספת בקרה. המטרה היא לא צ׳אט כללי אלא תשובות שימושיות מתוך הידע העסקי.

רכיבים שצריך לתכנן

מקורות ידע

PDF, מסמכים, עמודי אתר, טבלאות או רשומות מתוך מערכת קיימת.

חלוקה למקטעים

פירוק מידע לחלקים שניתן לאחזר עם הקשר מספיק.

הרשאות

שמירה על הפרדה בין משתמשים, לקוחות, מסמכים ונתונים רגישים.

בדיקות איכות

שאלות אמיתיות, תשובות חסרות, סתירות ומצבים שבהם צריך להגיד שאין מידע.

שאלות נפוצות

האם RAG מחליף בסיס נתונים?

לא. RAG הוא שכבת חיפוש והקשר מעל מידע קיים. בסיס הנתונים עדיין מנהל את המידע.

האם RAG עובד בעברית?

כן, אבל צריך לבדוק איכות אחזור, חלוקת מסמכים ותשובות בעברית עם נתונים אמיתיים.

מקורות למחקר

העמוד נבנה כמדריך קצר על בסיס מחקר NotebookLM ומקורות מקצועיים. המקורות המרכזיים:

רוצים לחבר AI לידע העסקי?

אפשר להתחיל מבדיקה של המסמכים והתהליך הקיים.

השאירו פרטים