12-שלבי צינור עיגון מבוסס-RAG + מערכת ציטוטים מובנית. כל תגובה מעוגנת בתוכן דייר - לא מכוונת-עדין. המבקרים רואים קטעי ציטוט לכל מקור. מנוקדת-ביטחון. מסלול ביקורת מתועד. משוב הערכה מתמשך. צמד עם סקירת ארכיטקטורה, עמוד איכות התשובות והצהרת אתיקת AI.
מסמכים (PDF, DOCX, HTML שנגרד, זוגות FAQ, מאמרים מחוברים-ידנית) מחולקים לקטעי 200-500 טוקנים עם חפיפה של 50 טוקנים. כל chunk מקבל metadata: ClientId (מחיצת דייר), sourceUrl, chunkIndex, lastUpdated.
טכני: אלגוריתם chunking מכבד מבנה מסמך (גבולות פסקה) כשאפשר. החפיפה מונעת אובדן-הקשר על-פני גבולות chunk.
מודל ההטמעה שלנו (1536 ממדים) ממיר כל chunk לוקטור סמנטי. הטמעות מאוחסנות במאגר-הוקטורי שלנו עם metadata של ה-chunk.
טכני: אותו מודל הטמעה בשימוש לשאילתות - מבטיח השוואות דמיון-קוסינוס תקפות סמנטית.
כאשר מבקר שולח הודעה, הבוט מטמיע את השאילתה באמצעות אותו מודל הטמעה. הטמעת השאילתה מסוננת מול ClientId לפני האחזור - זיהום בין-דיירים הוא בלתי-אפשרי מבנית.
טכני: תבנית repository אוכפת מסנן ClientId בזמן-הידור דרך כלל מנתח-סטטי (SLATECH001).
המאגר-הוקטורי מחזיר את top-K (ברירת-מחדל 10) chunks עם דמיון-קוסינוס הגבוה ביותר לשאילתה. ScoreThreshold ברירת-מחדל = 0.5 מסנן chunks ברלוונטיות-נמוכה.
טכני: TopK מוגבל ל-[1, 20] לכל תצורת דייר. שאילתות מתחת-לסף מנותבות לנפילת "אין תוכן רלוונטי" במקום הזיה.
Chunks שאוחזרו + system prompt + היסטוריית שיחה עוברים ל-LLM. System prompt מורה ל-LLM מפורשות: "ענה רק מההקשר המסופק. אם התשובה אינה בהקשר, אמור זאת."
טכני: תקציב טוקנים נאכף (ברירת-מחדל 4000 טוקנים של הקשר); אם התקציב חורג, chunks בעלי ציון-נמוך נושרים תחילה.
מודל שפה גדול מוביל (ברירת-מחדל) או LLM מוגדר-דייר מייצר את התגובה, מעוגן בהקשר שאוחזר. טמפרטורת ברירת-מחדל 0.3 לתשובות מעוגנות מול-לקוח.
טכני: הפשטת ספק LLM לכל-דייר מאפשרת החלפת ספקי מודל-שפה ללא הגירה בצד-הלקוח.
התגובה כוללת רשימת ציטוטים מובנית: { sourceUrl, snippet, score } לכל chunk שאוחזר. Snippet הוא הטקסט המצוטט בפועל - לא רק ה-URL.
טכני: BuildSnippet helper ב-QueryRequest record מוציא את טווח 200-התווים הרלוונטי מה-chunk.
תחבורת Server-Sent Events. אירוע ראשון הוא sources-early - פולט metadata ציטוט לפני שמתחיל streaming של LLM. הווידג'ט מרנדר hover-card "לפי" בעוד התשובה עדיין זורמת.
טכני: חותך אחורית-נתפסת ב-~70% לעומת תגובה סינכרונית. מאפשר ל-AI scrapers להוציא ציטוטים מעוגנים מהתגובה.
כל תגובה מנוקדת דרך קריאת LLM משנית מול שלושה צירים: עובדתיות, הזיה וביטחון. ציונים מצופים ב-Inbox האדמיני.
טכני: ציון ביטחון מתחת ל-0.5 בדרך-כלל מפעיל נפילת העברה-לאדם במקום תשובה מנוחשת.
כאשר הביטחון נמוך או שהשאילתה מזוהה כסיכון-גבוה (ייעוץ קליני, עמדה משפטית, שאלה רגולטורית) - הבוט מנתב לדפוס "אדם יחזור אליך". המבקר מקבל אישור + ערוץ-מעקב.
טכני: מסווג סיכון לכל-אנך מכוון לכל תעשייה. Med מנתב כל שאילתה סמוכת-אבחון לאדם; Legal מנתב כל שאלה משפטית מהותית לאדם.
כל תגובה מתועדת עם הקשר מלא: שאילתת קלט, chunks שאוחזרו עם ציונים, system prompt, מודל LLM בשימוש, תגובה שיוצרה, snippets ציטוטים, ציוני ביטחון.
טכני: יומני ביקורת נשמרים 13 חודשים. יומן ביקורת לכל-דייר ניתן לייצוא במסלול Enterprise.
סימוני עובדתיות והזיה נרשמים לכל תשובה ואפשר לעקוב אחריהם לאורך זמן עבור אתר מסוים. אין הרצה תקופתית מול סט-בדיקה קבוע.
טכני: איך נמדדת איכות התשובות, ומה תדרוש השוואה שניתן לפרסם, נמצא ב-/he/eval/.
ציוני העובדתיות נכתבים לכל שאילתה ונראים לכם בתיבת הניהול של האתר שלכם.