RAG na dokumentach firmowych: dlaczego jakość odpowiedzi zależy od porządku w plikach

Zanim uruchomisz asystenta

Jeśli w bazie leżą stare wersje regulaminów, skany bez OCR i duplikaty tego samego pliku, RAG zacznie odpowiadać z tych samych błędnych podstaw. Według AZONE-AI w pięciu wdrożeniach najwięcej pracy wymagły nie model i nie „prompt”, lecz загрузка данных, metadane i wersjonowanie; podobny wniosek pojawia się w materiale SkillHint, gdzie jakość RAG zależy od porządku w dokumentach, sposobu podziału treści, wyszukiwania, metadanych i uprawnień.

W praktyce problem nie polega na tym, czy model „zna” odpowiedź, lecz czy w ogóle ją znajdzie. Jeśli dokument nie trafi do indeksu albo zostanie zindeksowany w złej postaci, użytkownik dostanie pewną w tonie, ale słabą merytorycznie odpowiedź.

Co psuje odpowiedź najbardziej

Według RedAI skany niskiej jakości, tabele zamienione na obraz i pliki bez struktury obniżają jakość wyszukiwania oraz samej odpowiedzi. Z kolei ClickShot podkreśla, że tekst z PDF-ów trzeba wydobyć razem z nagłówkami, a dla skanów osobno sprawdzić OCR, bo tabela, przypisy i załączniki często tracą strukturę.

Najczęstsze źródła błędów są bardzo proste:

• Stare wersje dokumentów mieszają się z aktualnymi.
• Duplikaty i kopie rozmywają wynik wyszukiwania.
• Zły podział na fragmenty urywa kontekst, na przykład rozdziela warunek i wyjątek.
• Brak metadanych utrudnia odróżnienie wersji, właściciela i zakresu obowiązywania.
• Słabe OCR ukrywa treść, której model nie ma jak odzyskać.

Jak uporządkować pliki przed wdrożeniem

Praxio pisze wprost, że asystent jest tak dobry jak materiały, które dostaje, a niespójne dokumenty produkują niespójne odpowiedzi. W artykule AZONE-AI i w materiale SkillHint przewija się ten sam kierunek: trzeba najpierw uporządkować korpus, dopiero potem stroić wyszukiwanie i generowanie.

Dobry minimalny proces wygląda tak:

• Wyznacz jeden zbiór źródeł do odpowiedzi, a nie całą sieć firmowych folderów.
• Oznacz właściciela, status i datę aktualności każdego dokumentu.
• Usuń duplikaty oraz jasno wskaż dokument nadrzędny.
• Przepuść skany przez OCR i sprawdź jakość odczytu.
• Dziel długie materiały po logicznych sekcjach, nie mechanicznie co kilka stron.
• Testuj pytania, które opierają się na tabelach, przypisach i załącznikach.

Jak rozpoznać, że RAG działa dobrze

Polygant zwraca uwagę, że jakościowy RAG nie potrzebuje maksymalnej liczby plików, lecz zarządzanego korpusu wiedzy. Ten sam materiał rozróżnia trzy poziomy oceny: wyszukiwanie, generację i wpływ na workflow. To ważne, bo czasem model formułuje ładną odpowiedź, ale opiera ją na złym fragmencie.

Najprostszy test biznesowy jest praktyczny: czy system znajduje właściwy dokument, czy pokazuje źródło odpowiedzi i czy cytowany fragment zgadza się z pytaniem. Jeśli nie, problem zwykle nie leży w modelu, tylko w stanie plików i w sposobie ich przygotowania.

Lub System pomaga firmom B2B wdrażać AI, automatyzację i rozwiązania IT kompleksowo - od strategii po wdrożenie. Zobacz nasze usługi lub skontaktuj się z nami, aby omówić Twój przypadek.