केवल वेक्टर खोज ही पर्याप्त क्यों नहीं है
वेक्टर डेटाबेस अर्थगत मिलान अच्छी तरह खोजते हैं, लेकिन कॉर्पोरेट दस्तावेज़ीकरण अपने नियमों से चलता है: कैटलॉग का सख्त पदानुक्रम, कई विषयगत डोमेन, अनुभागों के बीच क्रॉस-रेफरेंस। प्रश्न "बेस स्टेशन की ऊर्जा खपत कैसे कम करें" के लिए केवल समान अनुच्छेद नहीं, बल्कि संबंधित निर्देशों को ध्यान में रखते हुए सही उप-अनुभाग में सटीक पहुँच आवश्यक है। इस चरण पर क्लासिक RAG योजनाएँ गलतियाँ करने लगती हैं: प्रश्न गलत डोमेन में चला जाता है, दस्तावेज़ों की संरचना को प्रभावी रूप से अनदेखा किया जाता है, और खोज इस तर्क से समर्थित नहीं होती कि वास्तव में कहाँ देखना चाहिए।
arXiv पर हालिया प्रीप्रिंट के लेखकों ने VDGR-RAG फ्रेमवर्क प्रस्तावित किया, जो चार दृष्टिकोणों को जोड़ता है: वेक्टर, कैटलॉग, ग्राफ़ और रिफ्लेक्शन। सिस्टम एक एजेंट की तरह काम करती है: यह केवल अंश निकालती नहीं, बल्कि ज्ञान आधार में उद्देश्यपूर्ण ढंग से आगे बढ़ती है, मध्यवर्ती परिणामों का मूल्यांकन करती है और आवश्यकता पड़ने पर दिशा बदलती है।
मुख्य विचार: कैटलॉग से ज्ञान ग्राफ़ तक
VDGR-RAG के केंद्र में दस्तावेज़ों से एक विषम ज्ञान ग्राफ़ (H²KG) का निर्माण है। इसमें कैटलॉग का पदानुक्रम संरक्षित रहता है — अनुभागों और उप-अनुभागों के बीच "माता-पिता-बच्चा" संबंध — साथ ही अर्थगत ब्लॉकों के बीच अर्थगत संबंध भी। इसके कारण सिस्टम किसी भी क्षण प्रश्नों का उत्तर दे सकती है: "यह अंश किस अनुभाग में है?", "इस विषय से और क्या जुड़ा है?", "सामान्य संदर्भ पाने के लिए कहाँ ऊपर जाना होगा?"
परमाणु खोज उपकरण
एजेंट तर्क चार परस्पर क्रिया करने वाले मॉड्यूल के माध्यम से लागू किया गया है।
- Directory-enhanced routing — विषय-सूची द्वारा नेविगेशन। मॉड्यूल पहले तय करता है कि प्रश्न किस डोमेन या ज्ञान ग्राफ़ से संबंधित है, और उसके बाद ही गहन खोज शुरू करता है।
- Multi-route retrieval — तीन तरीकों से समानांतर जानकारी निष्कर्षण: वेक्टर, संरचनात्मक (विषय-सूची अनुभागों द्वारा) और ग्राफ़ आधारित। यह महत्वपूर्ण दस्तावेज़ छूटने का जोखिम कम करता है।
- Directory backtracking — यदि प्रारंभिक मार्गदर्शन गलत निकला, तो एजेंट कैटलॉग पर लौटता है और खोज का प्रक्षेप पथ बदलता है।
- Dynamic reflection — सिस्टम प्रत्येक चरण के बाद मूल्यांकन करती है कि पर्याप्त तथ्य एकत्र हुए हैं या नहीं, और अगला प्रश्न योजना बनाती है। यह अनिवार्य रूप से पुनरावृत्त आत्म-चिंतन है जो अप्रासंगिक अंशों में "धँसने" नहीं देता।
मॉड्यूल क्रम से नहीं, बल्कि एक एकीकृत लूप के रूप में काम करते हैं: रिफ्लेक्शन पुनः मार्गदर्शन शुरू कर सकता है, और मल्टी-सर्च ऐसे उम्मीदवार लौटा सकता है जिन्हें फिर ग्राफ़ के माध्यम से जाँचना होता है। खोज एक लचीली पुनरावृत्त प्रक्रिया बन जाती है, न कि इंडेक्स से एक बार का अनुरोध।
परीक्षणों ने क्या दिखाया
लेखकों ने व्यावहारिक मूल्य को चार वायरलेस डोमेन से संबंधित कॉर्पोरेट दस्तावेज़ों पर जाँचा — जिनमें ऊर्जा बचत और दोष प्रबंधन शामिल हैं। परिणाम मानक RAG प्रणालियों की तुलना में काफी बेहतर रहे, दोनों पाई गई जानकारी की पूर्णता और प्रश्नों के उत्तरों की सटीकता में।
विशेष रूप से उपयोगी कैटलॉग पर लौटने की क्षमता रही: यही उन स्थितियों को सुधारती थी जहाँ सामान्य वेक्टर खोज आत्मविश्वास से गलत परिणाम देती थी। पदानुक्रमित दस्तावेज़ीकरण के लिए ऐसी "विषय-सूची से जाँच" अक्सर अतिरिक्त इंडेक्स से अधिक महत्वपूर्ण होती है।
निष्कर्ष
VDGR-RAG केवल एक और हाइब्रिड रिट्रीवर नहीं है, बल्कि इसका उदाहरण है कि कैसे एजेंट सिद्धांत और ग्राफ़ प्रस्तुतियाँ वास्तविक उद्यमों की समस्याओं को हल करती हैं। जब ज्ञान आधार में पदानुक्रम महत्वपूर्ण हो और अनुभाग चुनने में गलती पूरे उत्तर को बिगाड़ सकती है, तो केवल वेक्टर खोज वास्तव में पर्याप्त नहीं है।
