Retrieval Augmented Generation とは、回答前にモデルがコーパスから抜粋を受け取る方式です。FlexyAgents は取り込み、ベクトル検索、ランキングを管理し、運用者が低レベル ML インフラではなく、コンテンツ品質とスコープに集中できるようにします。
取得が有用な結果を見つけられない場合、適切に設定されたエージェントは不確実性を認め、事実を捏造するより人間への経路を提示すべきです。
概念
ナレッジベースと取得（RAG）
FlexyAgents がコンテンツを取り込み、チャンク化、埋め込みし、関連 passage を取得し、承認済み内容に留まるようモデルを誘導する方法。
ragナレッジベース取得embeddings
取り込み経路
インポートは PDF、Office、HTML エクスポート、画像、音声、動画、その他サポート対象バイナリをカバーします。テキスト抽出は、設定時にパーサー、OCR、オプションの Gemini Vision または文字起こしを組み合わせることができます。コネクターは SaaS ソースをスケジュール同期します。クローラーは深度と礼儀を保ちながら公開 URL を抽出し、オプションでリンク画像とメディアを処理できます。
構造化 Q&A 行は、逐語が必要な回答 — ポリシー、法的テキスト、SKU データ — のために長文ドキュメントを補完します。
- ファイルタイプについては、ドキュメント → ナレッジ → インポートと形式を参照してください。クォータと Gemini キーについては、ドキュメント → ナレッジ → AI Vision、文字起こし、制限を参照してください。
- コネクターは、製品別ステップ付きでドキュメント → 連携に記載されています。
チャンキングとセマンティック検索
ドキュメントは埋め込みモデルに適した断片に分割されます。境界は見出しと表を尊重しようとしますが、不完全なソースは編集で改善されます。
クエリは断片と同じ空間に埋め込まれ、最高ランクの passage が引用または忠実な言い換えの指示とともにプロンプトに注入されます。
根拠、引用、拒否
製品は、モデルがサポートする場合、顧客が認識できるソース（記事タイトル、URL）の引用を促進します。拒否パターンは高リスクトピックでのハルシネーションを減らします。
「不明」または低信頼度ターンの分析は、すべてのトランスクリプトを読まずにナレッジギャップの優先順位付けに役立ちます。
さらに探索する