Frågeexpansion
Omformulerar användarens inmatning till flera alternativa frågor för att förbättra semantisk sökning i kunskapsbasen med hjälp av en LLM-prompt.
Detta arbetsflöde, med titeln “Semantisk sökning”, gör det möjligt för användare att söka efter information i sin privata kunskapsbas genom att utnyttja avancerade språkmodeller och semantiska söktekniker. Det är utformat för att söka över alla schemalagda domäner, dokument och Q&A-avsnitt, och automatiserar hämtningen av den mest relevanta informationen som svar på användarfrågor.
Användarinteraktion och välkomstmeddelande
När en användare öppnar chattgränssnittet triggar arbetsflödet ett välkomstmeddelande:
- Message Widget visar:
👋 Välkommen till det privata kunskapsbas-sökningsverktyget!
Jag är här för att hjälpa dig att söka genom dokument i din privata kunskapsbas 📚. Jag kommer att söka igenom alla schemalagda domäner, privata dokument och Q&A-avsnitt för att hitta den information du behöver.
Skriv bara in din fråga så sätter vi igång med att hitta svaren! ✨🔍
Detta vänliga meddelande hjälper användarna att orientera sig och vägleder dem att skriva in sin sökfråga.
Frågehantering och expansion
Användarinmatning:
Användaren skickar in en fråga via chattens inmatningsfält.Frågeexpansion:
- Frågan skickas till en Frågeexpansion-komponent.
- Med stöd av en OpenAI-språkmodell (specifikt
gpt-4o-mini) genererar denna komponent upp till tre omformulerade eller semantiskt liknande frågor. - Syftet är att öka chansen att hämta alla relevanta dokument, även om den ursprungliga frågan är otydlig eller begränsad i formuleringen.
| Komponent | Syfte |
|---|---|
| Chattinmatning | Samlar in användarens sökfråga |
| OpenAI LLM (gpt-4o-mini) | Genererar alternativa formuleringar av frågan |
| Frågeexpansion | Producerar upp till 3 varianter av frågan för sökning |
Dokumenthämtning
- De utökade frågorna skickas till en Document Retriever.
- Denna komponent söker i användarens privata kunskapsbas, inklusive schemalagda domäner, dokument och Q&A-avsnitt.
- Den hämtar upp till 10 av de mest relevanta dokumenten, med fokus på innehållet inom
<H1>-rubriker för att maximera kontextrelevansen.
Resultatpresentation
- De hämtade dokumenten skickas till en Document Widget, som formaterar och presenterar dem på ett chattvänligt sätt.
- De slutliga sammanställda resultaten visas tillbaka för användaren i chattgränssnittet.
| Steg | Komponent | Utmatningstyp |
|---|---|---|
| Hämta dokument | Document Retriever | Råa dokument |
| Formatera resultat | Document Widget | Meddelande |
| Visa för användaren | Chat Output | Chattmeddelande |
Arbetsflödesdiagram
flowchart LR
A[Chat Opened] --> B[Welcome Message]
B --> C[User Query Input]
C --> D[Query Expansion\n(OpenAI LLM)]
D --> E[Document Retriever]
E --> F[Document Widget]
F --> G[Chat Output]
Fördelar och användningsområden
- Automatisering: Arbetsflödet automatiserar semantisk sökning, sparar manuellt arbete och säkerställer att användare alltid får en vänlig, vägledande upplevelse.
- Skalbarhet: Genom att utöka frågor och söka över alla relevanta källor ger arbetsflödet robust täckning, vilket gör det lämpligt för stora eller komplexa kunskapsbaser.
- Noggrannhet: Genom att använda LLM:er för omformulering minskar risken att information missas på grund av hur en fråga är formulerad.
- Användarupplevelse: Omedelbar återkoppling och tydliga instruktioner gör verktyget lättanvänt även för icke-tekniska användare.
Typiska användningsområden:
- Intern kunskapshantering för supportteam
- Företagsövergripande FAQ- och dokumentsöksportaler
- Automatiserade assistenter för privata eller proprietära datamängder
Genom att integrera semantisk sökning med LLM-driven frågeexpansion säkerställer detta arbetsflöde att användare effektivt kan få tillgång till relevant kunskap, vilket ökar produktiviteten och informationsupptäckten.
