CVS, kendinden emin bir yanlış yanıtı tolere edemeyen kurumlar için tasarlanmış bir hibrit RAG motorudur. Her aşama — alım, yönlendirme, çekim ve çekimserlik — güvenmek zorunda olduğunuz bir metin değil, denetleyebileceğiniz kanıtlar üretecek şekilde mühendislik edilmiştir.
CVS, bilginizin halihazırda bulunduğu yere doğrudan bağlanır — SharePoint, Google Drive, Confluence, S3 ve şirket içi dosya sunucuları — ardından her formatı üçlü OCR ve vision ile ayrıştırır: PDF'ler, taramalar, DOCX, PPTX, XLSX ve görseller. Tablolar, şekiller ve sayfa çapaları ayrıştırma sırasında bozulmadan korunur; böylece orijinal kanıt sonradan parafraz edilerek silinmek yerine geri döndürülebilir.
Akıllı parçalama, kör sabit genişlikli bölmeler yerine anlamsal olarak tutarlı parçalar üretir. Her parça varlıklar, meta veriler, belge farkları ve zamansal gerçeklerle zenginleştirilir, ardından eş zamanlı olarak çok katmanlı bir indekse yazılır: anlamsal geri çağırma için bir pgvector deposu, kesin terimler için bir BM25F tam metin indeksi, ilişkiler için bir Neo4j zamansal bilgi grafı, artı meta veri ve zamansal indeksler. Tek geçiş, beş çekim yüzeyi.
Her soru tam bir akıl yürütme çalışmasını hak etmez. Merkezi bir niyet yönlendiricisi her sorguyu sınıflandırır ve dört şeritten birine sevk eder: anlık, sıfır-token önbellek isabeti; standart hızlı hibrit arama; derin çok-belgeli sentez; veya soruyu alt sorgulardan oluşan yönlü çevrimsiz bir grafa ayrıştıran ultra akıl yürütme yolu.
Bu token tasarruflu kademe, basit soruların pahalı bir LLM'i asla uyandırmaması anlamına gelirken, gerçekten zor, çok-belgeli sorular tam ayrıştırma muamelesi görür. Sonuç öngörülebilir gecikme, öngörülebilir maliyet ve sorgu başına token sürprizi olmamasıdır — kademe tek başına naif RAG'e kıyasla LLM harcamasını %85-95 azaltır.
CVS aynı anda beş retriever çalıştırır — vektör arama, bilgi grafı dolaşımı, BM25F tam metin, zamansal çekim ve meta veri filtreleme. Her biri korpusu farklı görür, bu yüzden farklı kanıtları yakalarlar: anlam bilimi, ilişkiler, kesin terimler, zaman geçerliliği ve yapılandırılmış nitelikler. Tek bir retriever'ın kusursuz olması gerekmez.
Sıralanmış çıktıları Reciprocal Rank Fusion (k=60) aracılığıyla birleşir, ardından bir cross-encoder, yanıt oluşturucu için sıkı bir kanıt seti derlemek üzere birleştirilmiş adayları yeniden sıralar. CVS'nin, temel RAG veya Copilot gibi tek retriever'lı sistemlerde tipik olan %67-73'e karşı %94,7 yanıt doğruluğuna ulaşmasının nedeni budur.
Çekimden sonra CVS yanıtlamadan önce tek bir soru sorar: kanıtlar yeterli mi? Evet ise, satır içi kaynak göstererek yanıtlar ve etkileşimi kurcalamaya karşı korumalı bir denetim günlüğüne yazar. Hayır ise, makul görünen bir yanıt uydurmak yerine açıkça çekimser kalır — çoğu kurumsal RAG pilotunu öldüren tek davranış budur.
Bir çekimserlik bir çıkmaz sokak değildir. Yanıtlanmamış soru, belirlenmiş konu uzmanına yönlendirilir, onun doğrulanmış yanıtı yakalanır ve bilgi tabanı yamalanır; böylece bir sonraki kişi anında yanıt alır. Üretimde bu, sıradan RAG'deki yaklaşık %19'a karşı halüsinasyonu %2'nin altına indirir.
En anlaşılması güç spesifikasyonunuzu veya en sık eskalasyona uğrayan sorgunuzu getirin. Size kanıt yolunu uçtan uca gösterelim — ve taban bilmediğinde tam olarak ne olduğunu.