feat(ultraplan-local): v1.6.0 — /ultraresearch-local deep research command
Add /ultraresearch-local for structured research combining local codebase analysis with external knowledge via parallel agent swarms. Produces research briefs with triangulation, confidence ratings, and source quality assessment. New command: /ultraresearch-local with modes --quick, --local, --external, --fg. New agents: research-orchestrator (opus), docs-researcher, community-researcher, security-researcher, contrarian-researcher, gemini-bridge (all sonnet). New template: research-brief-template.md. Integration: --research flag in /ultraplan-local accepts pre-built research briefs (up to 3), enriches the interview and exploration phases. Planning orchestrator cross-references brief findings during synthesis. Design principle: Context Engineering — right information to right agent at right time. Research briefs are structured artifacts in the pipeline: ultraresearch → brief → ultraplan --research → plan → ultraexecute. Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
This commit is contained in:
Kjell Tore Guttormsen
commit
baa2d0220b
488 changed files with 213221 additions and 0 deletions
|
|
@ -0,0 +1,419 @@
|
|||
# RAG Core Patterns and Architecture
|
||||
|
||||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** RAG Architecture & Semantic Search
|
||||
|
||||
---
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Retrieval-Augmented Generation (RAG) er en arkitektonisk tilnærming som kombinerer informasjonshenting med generativ AI for å produsere faktagrunnede, domene-spesifikke svar. I stedet for å stole utelukkende på en language models forhåndstrente kunnskap, henter RAG-systemer relevant kontekst fra eksterne kunnskapsbaser i sanntid og bruker denne som grunnlag for generering. Dette reduserer hallusinasjoner, tillater kontinuerlig oppdatering av kunnskap uten retrening, og muliggjør svar basert på proprietær eller fersk data.
|
||||
|
||||
For enterprise-organisasjoner representerer RAG en praktisk vei til produksjon av AI-løsninger som er både presise og etterprøvbare. Microsoft-økosystemet tilbyr en komplett stack for RAG: Azure AI Search for indeksering og søk, Azure OpenAI Service for generering, Azure AI Foundry for orkestrering, og Copilot Studio for low-code RAG-agenter. RAG brukes i alt fra kunnskapssøk og dokumentanalyse til kundeservice og beslutningsstøtte.
|
||||
|
||||
Det finnes tre hovedarkitekturer: **Naive RAG** (enkel retrieve-then-generate), **Advanced RAG** (med pre/post-processing og reranking), og **Agentic RAG** (autonome agenter som planlegger og itererer). Valg av mønster avhenger av use case-kompleksitet, krav til presisjon, og tilgjengelig modenhet.
|
||||
|
||||
---
|
||||
|
||||
## Kjernekomponenter i RAG-arkitektur
|
||||
|
||||
En RAG-pipeline består av følgende byggeklosser:
|
||||
|
||||
| Komponent | Ansvar | Microsoft-tjenester |
|
||||
|-----------|--------|---------------------|
|
||||
| **Document Ingestion** | Laste inn, parse og chunke dokumenter | Azure AI Document Intelligence, Azure Functions |
|
||||
| **Embedding Generation** | Konvertere tekst til vektorer | Azure OpenAI (text-embedding-3-large, text-embedding-ada-002) |
|
||||
| **Vector Store** | Lagre og indeksere embeddings | Azure AI Search, Azure Cosmos DB (MongoDB vCore) |
|
||||
| **Retrieval** | Søke etter relevante chunks basert på query | Azure AI Search (vector, hybrid, semantic search) |
|
||||
| **Reranking** | Sortere resultater etter relevans | Azure AI Search Semantic Ranker, custom models |
|
||||
| **Context Assembly** | Bygge prompt med retrieved chunks | Semantic Kernel, LangChain, Prompt flow |
|
||||
| **Generation** | Generere svar basert på context | Azure OpenAI Service (GPT-4, GPT-4o) |
|
||||
| **Citation Tracking** | Spore kilder og gi referanser | Custom logic, Azure AI Search metadata |
|
||||
|
||||
**Typisk RAG-flyt:**
|
||||
|
||||
1. **Indexing (offline):** Dokumenter lastes inn → chunkes → embeddes → lagres i vector store
|
||||
2. **Query (runtime):** User query → embedding → vector search → reranking → top-k chunks
|
||||
3. **Generation:** Chunks + query → prompt template → LLM → response + citations
|
||||
|
||||
**Eksempel: Enkel RAG-flyt i Python (Semantic Kernel)**
|
||||
|
||||
```python
|
||||
from semantic_kernel import Kernel
|
||||
from semantic_kernel.connectors.ai.open_ai import AzureChatCompletion, AzureTextEmbedding
|
||||
from semantic_kernel.connectors.memory.azure_cognitive_search import AzureCognitiveSearchMemoryStore
|
||||
|
||||
# Setup
|
||||
kernel = Kernel()
|
||||
kernel.add_chat_service("chat", AzureChatCompletion(...))
|
||||
kernel.add_text_embedding_generation_service("embedding", AzureTextEmbedding(...))
|
||||
memory = AzureCognitiveSearchMemoryStore(...)
|
||||
|
||||
# Index (offline)
|
||||
await memory.save_information_async("docs", id="1", text="Microsoft Copilot Studio allows...")
|
||||
|
||||
# Retrieve + Generate (runtime)
|
||||
results = await memory.search_async("docs", "What is Copilot Studio?", limit=3)
|
||||
context = "\n".join([r.text for r in results])
|
||||
prompt = f"Context:\n{context}\n\nQuestion: What is Copilot Studio?\nAnswer:"
|
||||
response = await kernel.invoke_semantic_async(prompt)
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Arkitekturmønstre
|
||||
|
||||
### 1. Naive RAG
|
||||
|
||||
**Beskrivelse:** Enkel retrieve-then-generate pipeline uten pre/post-processing.
|
||||
|
||||
**Flyt:**
|
||||
1. Embed user query
|
||||
2. Vector search → top-k chunks
|
||||
3. Inject chunks i prompt
|
||||
4. Generate response
|
||||
|
||||
**Når bruke:**
|
||||
- MVP/proof-of-concept
|
||||
- Enkle kunnskapssøk med begrenset datamengde
|
||||
- Lavt krav til presisjon
|
||||
|
||||
**Fordeler:**
|
||||
- Rask implementering (dager)
|
||||
- Lav kompleksitet
|
||||
- Enkel feilsøking
|
||||
|
||||
**Ulemper:**
|
||||
- Dårlig håndtering av komplekse queries
|
||||
- Ingen optimalisering av chunk-relevans
|
||||
- Begrensede citation capabilities
|
||||
|
||||
**Typisk bruk:** Intern FAQ-bot, proof-of-concept for ledelse, enkel dokumentsøk.
|
||||
|
||||
---
|
||||
|
||||
### 2. Advanced RAG
|
||||
|
||||
**Beskrivelse:** Forbedret pipeline med query processing, hybrid search, reranking, og post-processing.
|
||||
|
||||
**Flyt:**
|
||||
1. **Pre-retrieval:** Query expansion, intent detection, filter inference
|
||||
2. **Retrieval:** Hybrid search (vector + BM25) + metadata filtering
|
||||
3. **Post-retrieval:** Reranking (semantic ranker), deduplication, chunk selection
|
||||
4. **Generation:** Context-optimized prompt + citation tracking
|
||||
|
||||
**Når bruke:**
|
||||
- Produksjonsløsninger med krav til presisjon
|
||||
- Store kunnskapsbaser (>10,000 dokumenter)
|
||||
- Behov for verifiable citations
|
||||
|
||||
**Fordeler:**
|
||||
- Høyere relevans (20-40% forbedring vs naive)
|
||||
- Bedre håndtering av komplekse queries
|
||||
- Citation tracking og source attribution
|
||||
- Robusthet mot ambiguity
|
||||
|
||||
**Ulemper:**
|
||||
- Høyere latency (2-5x vs naive)
|
||||
- Mer kompleks pipeline å vedlikeholde
|
||||
- Høyere kostnader (reranking, query expansion)
|
||||
|
||||
**Typisk bruk:** Enterprise kunnskapssøk, regulatory compliance bots, kundeservice med SLA-krav.
|
||||
|
||||
---
|
||||
|
||||
### 3. Agentic RAG
|
||||
|
||||
**Beskrivelse:** Autonome agenter som planlegger, itererer, og velger retrieval-strategi dynamisk.
|
||||
|
||||
**Flyt:**
|
||||
1. **Planning:** Agent analyserer query → dekomponerer i sub-tasks
|
||||
2. **Tool Selection:** Agent velger search-strategi (vector, keyword, multi-index, web)
|
||||
3. **Iterative Retrieval:** Agent henter data → evaluerer relevans → henter mer hvis nødvendig
|
||||
4. **Self-Reflection:** Agent vurderer om nok kontekst er samlet
|
||||
5. **Generation:** Syntetiserer svar basert på aggregert kontekst
|
||||
|
||||
**Når bruke:**
|
||||
- Komplekse, multi-hop reasoning tasks
|
||||
- Cross-domain queries (søk i flere databaser)
|
||||
- Research-assistenter og analytical agents
|
||||
|
||||
**Fordeler:**
|
||||
- Høyest presisjon for komplekse queries
|
||||
- Selvkorrigerende (kan omformulere og re-query)
|
||||
- Kan kombinere multiple sources (docs, web, APIs)
|
||||
|
||||
**Ulemper:**
|
||||
- Høy latency (10-60 sekunder)
|
||||
- Høy token-kostnad (multiple LLM calls)
|
||||
- Kompleks debugging og observability
|
||||
|
||||
**Typisk bruk:** Research assistants, regulatory analysis, cross-domain intelligence.
|
||||
|
||||
**Eksempel: Agentic RAG med Microsoft Agent Framework**
|
||||
|
||||
```python
|
||||
from semantic_kernel.agents import ChatCompletionAgent
|
||||
from semantic_kernel.agents.strategies import TerminationStrategy
|
||||
|
||||
# Define retrieval tool
|
||||
@kernel_function(name="search_docs", description="Search knowledge base")
|
||||
async def search_docs(query: str) -> str:
|
||||
results = await memory.search_async("docs", query, limit=5)
|
||||
return "\n".join([r.text for r in results])
|
||||
|
||||
# Create agent with tools
|
||||
agent = ChatCompletionAgent(
|
||||
kernel=kernel,
|
||||
name="ResearchAgent",
|
||||
instructions="You are a research assistant. Use search_docs to find information, then synthesize.",
|
||||
tools=[search_docs]
|
||||
)
|
||||
|
||||
# Run
|
||||
result = await agent.invoke_async("What are the compliance requirements for AI in Norwegian public sector?")
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Beslutningsveiledning
|
||||
|
||||
### Mønster-valg: Når bruke hva?
|
||||
|
||||
| Kriterium | Naive RAG | Advanced RAG | Agentic RAG |
|
||||
|-----------|-----------|--------------|-------------|
|
||||
| **Use case-kompleksitet** | Enkel FAQ, direktesøk | Enterprise kunnskapssøk, compliance | Multi-hop reasoning, research |
|
||||
| **Datamengde** | <1,000 dokumenter | 1,000-100,000+ | Ubegrenset (multi-source) |
|
||||
| **Latency-krav** | <1s | 1-3s | 10-60s |
|
||||
| **Presisjonskrav** | Lav (70-80% recall) | Høy (90%+ recall) | Kritisk (95%+ recall) |
|
||||
| **Citation-krav** | Valgfri | Påkrevd | Påkrevd + traceability |
|
||||
| **Kostnadssensitivitet** | Lav (få tokens) | Moderat | Høy (mange LLM calls) |
|
||||
| **Modenhet i org** | MVP-fase | Produksjon | Advanced AI-team |
|
||||
|
||||
### Vanlige feil og misforståelser
|
||||
|
||||
| Misforståelse | Realitet |
|
||||
|---------------|----------|
|
||||
| "RAG eliminerer hallusinasjoner" | RAG reduserer, men eliminerer ikke hallusinasjoner. LLM kan fortsatt generere feil basert på dårlig kontekst. |
|
||||
| "Større chunks gir bedre svar" | Større chunks gir mer kontekst, men reduserer presisjon. Optimal chunk size: 512-1024 tokens med 10-20% overlap. |
|
||||
| "Vector search er nok" | Vector search alene misser keyword matches. Hybrid search (vector + BM25) gir 15-30% bedre recall. |
|
||||
| "RAG fungerer out-of-the-box" | RAG krever tuning: chunk size, embedding model, retrieval-k, reranking, prompt engineering. |
|
||||
| "Long-context models erstatter RAG" | Long-context (128K tokens) er dyrt og tregere. RAG er mer kostnadseffektivt for store kunnskapsbaser. |
|
||||
|
||||
### Røde flagg
|
||||
|
||||
- **Ingen metadata-strategi:** Uten metadata (source, date, category) er filtrering og citation umulig.
|
||||
- **Hardkodet chunk size:** Ulike dokumenttyper (tabeller, prosatekst, kode) krever ulike chunk-strategier.
|
||||
- **Manglende reranking:** Vector search alene gir ofte irrelevante chunks i top-3. Reranking er kritisk.
|
||||
- **Ingen evaluation metrics:** Uten retrieval recall/precision og generation fidelity er tuning blindflyvning.
|
||||
- **Token overflow:** Uten context window management risikerer du truncation og tap av relevante chunks.
|
||||
|
||||
---
|
||||
|
||||
## In-Context Learning vs RAG
|
||||
|
||||
**In-Context Learning (ICL):** Gi LLM all kontekst i prompten (few-shot examples, dokumenter, data).
|
||||
|
||||
**Når bruke ICL:**
|
||||
- Liten kunnskapsbase (<10 dokumenter, <50K tokens)
|
||||
- Statisk data som sjeldent endres
|
||||
- Behov for rask prototyping uten infrastruktur
|
||||
|
||||
**Når bruke RAG:**
|
||||
- Stor kunnskapsbase (>50K tokens)
|
||||
- Dynamisk data som oppdateres hyppig
|
||||
- Behov for citation og source tracking
|
||||
- Kostnadsoptimalisering (vector search er billigere enn å sende 100K tokens per query)
|
||||
|
||||
**Long-Context Models (GPT-4 Turbo 128K):**
|
||||
- Tillater større ICL-windows
|
||||
- **Men:** Høyere latency, høyere kostnad, "lost-in-the-middle" problem (LLM prioriterer start/slutt av context)
|
||||
- **Hybrid-tilnærming:** Bruk RAG for retrieval → inject top-k chunks i long-context model
|
||||
|
||||
---
|
||||
|
||||
## Integrasjon med Microsoft-stakken
|
||||
|
||||
### Azure AI Search (kjernen i RAG)
|
||||
|
||||
| Funksjon | Bruk i RAG |
|
||||
|----------|-----------|
|
||||
| **Vector search** | Embedding-basert retrieval (cosine similarity, HNSW indexing) |
|
||||
| **Hybrid search** | Kombinerer vector + BM25 for bedre recall |
|
||||
| **Semantic Ranker** | L2 reranking basert på cross-encoder (20-30% relevance boost) |
|
||||
| **Metadata filtering** | Filtrering på dato, category, access control |
|
||||
| **Skillset API** | Document cracking, OCR, entity extraction pre-indexing |
|
||||
|
||||
**Eksempel: Hybrid search query**
|
||||
|
||||
```python
|
||||
from azure.search.documents import SearchClient
|
||||
|
||||
results = search_client.search(
|
||||
search_text="What is Copilot Studio?", # BM25
|
||||
vector_queries=[VectorQuery(
|
||||
vector=query_embedding, # Vector
|
||||
k_nearest_neighbors=50,
|
||||
fields="contentVector"
|
||||
)],
|
||||
select=["id", "content", "sourcePage", "category"],
|
||||
top=10
|
||||
)
|
||||
```
|
||||
|
||||
### Azure AI Foundry
|
||||
|
||||
- **Prompt flow:** Visuell orkestrasjon av RAG-pipelines (indexing → retrieval → generation)
|
||||
- **Evaluation:** Built-in metrics (groundedness, relevance, coherence)
|
||||
- **Tracing:** End-to-end observability av RAG-calls
|
||||
|
||||
### Semantic Kernel
|
||||
|
||||
- **Memory connectors:** Abstraksjon over Azure AI Search, Cosmos DB, Qdrant
|
||||
- **Plugins:** Modulær arkitektur for retrieval functions
|
||||
- **Planner:** Agent-basert orkestrering for Agentic RAG
|
||||
|
||||
### Copilot Studio
|
||||
|
||||
- **Generative answers:** Low-code RAG med Azure AI Search + SharePoint
|
||||
- **Knowledge sources:** Drag-and-drop indexing av docs, websites
|
||||
- **Conversation boosting:** Automatisk faller tilbake på RAG hvis intent ikke matches
|
||||
|
||||
---
|
||||
|
||||
## Offentlig sektor (Norge)
|
||||
|
||||
### Datasuverenitet og residency
|
||||
|
||||
| Krav | RAG-implikasjon |
|
||||
|------|-----------------|
|
||||
| **GDPR Art. 32 (sikkerhet)** | Embeddings kan inneholde PII. Krypter vector store, bruk Managed Identity for autentisering. |
|
||||
| **Schrems II (dataoverføring)** | Bruk Azure Norway regions (Norway East/West). Sjekk at embeddings ikke sendes utenfor EU. |
|
||||
| **Forvaltningsloven § 11a (innsyn)** | RAG må kunne vise kilder for svar. Citation tracking er obligatorisk. |
|
||||
| **AI Act (høyrisiko-AI)** | Hvis RAG brukes i forvaltningsvedtak, krev menneske-i-loop og dokumentasjon av retrieval-logikk. |
|
||||
|
||||
### Compliance-sjekkliste
|
||||
|
||||
- [ ] **Document-level RBAC:** Filtrer søkeresultater basert på brukers AD-gruppe.
|
||||
- [ ] **Audit logging:** Logg alle queries, retrieved chunks, og genererte svar (Azure Monitor).
|
||||
- [ ] **PII detection:** Skann og rediger PII i indexing og output (Azure AI Content Safety).
|
||||
- [ ] **Data retention:** Definer retention policy for embeddings og logs (6 måneder standard).
|
||||
- [ ] **Explainability:** Vis alltid kilder, confidence score, og retrieval-logikk.
|
||||
|
||||
### Typetilfeller for offentlig sektor
|
||||
|
||||
| Use case | RAG-mønster | Compliance-fokus |
|
||||
|----------|-------------|------------------|
|
||||
| **Regelverksøk** (lovdata, forskrifter) | Advanced RAG + metadata filtering | Citation, audit logging |
|
||||
| **Saksbehandler-assistent** | Agentic RAG + document-level RBAC | GDPR, Forvaltningsloven § 11a |
|
||||
| **Kundeservice chatbot** | Naive RAG (FAQ) | PII redaction, data residency |
|
||||
| **Policy-analyse** | Agentic RAG + multi-index | AI Act transparency krav |
|
||||
|
||||
---
|
||||
|
||||
## Kostnad og lisensiering
|
||||
|
||||
### Prismodell (per 1,000 brukere/måned, Norge, 2026)
|
||||
|
||||
| Komponent | Kostnad (NOK) | Merk |
|
||||
|-----------|---------------|------|
|
||||
| **Azure AI Search (S1, 10M vectors)** | 15,000 | Semantic Ranker: +5,000 NOK |
|
||||
| **Azure OpenAI embeddings (text-embedding-3-large, 1B tokens)** | 1,500 | Batching reduserer kostnad 50% |
|
||||
| **Azure OpenAI generation (GPT-4o, 10M tokens output)** | 60,000 | Input tokens: 20,000 NOK |
|
||||
| **Azure AI Document Intelligence (10K pages)** | 1,200 | For document cracking |
|
||||
| **Azure Monitor (logging)** | 2,000 | For audit trails |
|
||||
| **Total (Advanced RAG)** | ~83,700 NOK/mnd | Naive RAG: ~50,000 (uten reranking/DI) |
|
||||
|
||||
### Kostnadsoptimaliseringstips
|
||||
|
||||
1. **Caching:** Cache embeddings for repeterte queries (50-70% kostnadskutt).
|
||||
2. **Batching:** Batch embedding-generering (50% rabatt via Azure OpenAI batch API).
|
||||
3. **Chunk reuse:** Generer embeddings én gang, ikke per user session.
|
||||
4. **Model downgrade:** Bruk text-embedding-ada-002 (10x billigere) for non-critical use cases.
|
||||
5. **Semantic Ranker on-demand:** Aktiver kun for complex queries (identifiser via query length/complexity).
|
||||
6. **Hybrid caching:** Cache både retrieval results og generated responses (LLM cache hit = gratis).
|
||||
|
||||
---
|
||||
|
||||
## For arkitekten (Cosmo)
|
||||
|
||||
### Nøkkelspørsmål å stille kunden
|
||||
|
||||
1. **Datakilde:** Hvor ligger kunnskapsbasen? (SharePoint, Dataverse, SQL, filshare, ekstern API?)
|
||||
2. **Data-dynamikk:** Hvor ofte endres dataen? (Sanntid, daglig, månedlig, statisk?)
|
||||
3. **Query-kompleksitet:** Enkle spørsmål ("Hva er...") eller multi-hop reasoning ("Sammenlign X og Y basert på Z")?
|
||||
4. **Citation-krav:** Må systemet vise kilder? Hvor granulært (dokument, side, paragraf)?
|
||||
5. **Latency-toleranse:** Akseptabel responstid? (<1s, 1-3s, >5s?)
|
||||
6. **Compliance:** GDPR, Schrems II, AI Act? Offentlig sektor?
|
||||
7. **Volum:** Hvor mange dokumenter? Hvor mange queries per dag?
|
||||
8. **Tilgangskontroll:** Trenger brukere ulik tilgang til dokumenter? (RBAC, document-level filtering?)
|
||||
|
||||
### Vanlige fallgruver
|
||||
|
||||
| Fallgruve | Hvordan unngå |
|
||||
|-----------|---------------|
|
||||
| **For store chunks** | Test chunk sizes (256, 512, 1024 tokens). Mål retrieval recall. |
|
||||
| **Manglende metadata** | Alltid legg til source, date, category, access_control ved indexing. |
|
||||
| **Ingen reranking** | Semantic Ranker gir 20-30% bedre relevans. Alltid inkluder i prod. |
|
||||
| **Hardkodet prompts** | Bruk parametriserte prompt templates. Test med ulike query-typer. |
|
||||
| **Token overflow** | Monitor context window usage. Implementer chunk truncation-logikk. |
|
||||
| **Ingen evaluation** | Definer retrieval recall/precision targets. Bruk Azure AI Foundry evaluation. |
|
||||
|
||||
### Anbefalinger per modenhetsnivå
|
||||
|
||||
| Modenhet | RAG-mønster | Tooling | Tidsestimat |
|
||||
|----------|-------------|---------|-------------|
|
||||
| **Pilot** (MVP) | Naive RAG | Copilot Studio generative answers | 1-2 uker |
|
||||
| **Produksjon** (scale) | Advanced RAG | Azure AI Foundry Prompt flow + Semantic Kernel | 6-8 uker |
|
||||
| **Advanced** (complex) | Agentic RAG | Microsoft Agent Framework + custom agents | 12-16 uker |
|
||||
|
||||
### Quick-start playbook
|
||||
|
||||
**Uke 1-2: Indexing**
|
||||
1. Document cracking (Azure AI Document Intelligence)
|
||||
2. Chunking (512 tokens, 10% overlap)
|
||||
3. Embedding generation (text-embedding-3-large)
|
||||
4. Indexing i Azure AI Search
|
||||
|
||||
**Uke 3-4: Retrieval**
|
||||
1. Hybrid search setup (vector + BM25)
|
||||
2. Semantic Ranker aktivering
|
||||
3. Metadata filtering (source, date, category)
|
||||
4. Retrieval evaluation (recall@10)
|
||||
|
||||
**Uke 5-6: Generation**
|
||||
1. Prompt engineering (system prompt + context injection)
|
||||
2. Citation tracking (source attribution i output)
|
||||
3. Hallucination mitigation (grounding prompts)
|
||||
4. Output evaluation (groundedness, relevance)
|
||||
|
||||
**Uke 7-8: Produksjonisering**
|
||||
1. Caching (query results + LLM responses)
|
||||
2. Observability (Azure Monitor + Application Insights)
|
||||
3. RBAC enforcement (document-level filtering)
|
||||
4. Load testing (concurrent users, latency targets)
|
||||
|
||||
---
|
||||
|
||||
## Kilder og verifisering
|
||||
|
||||
### Microsoft Learn-referanser
|
||||
|
||||
- [What is Retrieval Augmented Generation with Azure AI Search?](https://learn.microsoft.com/en-us/azure/search/retrieval-augmented-generation-overview) (GA)
|
||||
- [Hybrid search in Azure AI Search](https://learn.microsoft.com/en-us/azure/search/hybrid-search-overview) (GA)
|
||||
- [Semantic ranking in Azure AI Search](https://learn.microsoft.com/en-us/azure/search/semantic-search-overview) (GA)
|
||||
- [Integrate Azure OpenAI with Azure AI Search](https://learn.microsoft.com/en-us/azure/search/vector-search-integrated-vectorization-ai-studio) (GA)
|
||||
- [Use generative answers in Copilot Studio](https://learn.microsoft.com/en-us/microsoft-copilot-studio/nlu-boost-conversations) (GA)
|
||||
- [Semantic Kernel memory and embeddings](https://learn.microsoft.com/en-us/semantic-kernel/memories/) (GA)
|
||||
- [Azure AI Foundry prompt flow for RAG](https://learn.microsoft.com/en-us/azure/ai-studio/how-to/flow-develop) (GA)
|
||||
|
||||
### Konfidensnivå
|
||||
|
||||
- **Verified:** Arkitekturmønstre, Azure AI Search features, Azure OpenAI embeddings, Semantic Kernel patterns (basert på Microsoft Learn + GA-tjenester)
|
||||
- **Baseline:** Kostnadsestimater (basert på Azure pricing januar 2026, kan variere per region)
|
||||
- **Assumed:** Agentic RAG adoption timeline (basert på current preview status i Microsoft Agent Framework)
|
||||
|
||||
---
|
||||
|
||||
**For Cosmo:** Når kunde spør om RAG, start med "Naive vs Advanced vs Agentic"-beslutningstreet. Identifiser data source, query complexity, og latency-krav først. Hvis offentlig sektor: alltid spør om GDPR/Schrems II/AI Act compliance før du foreslår arkitektur. Hvis customer mangler evaluation strategy: stopp og definer retrieval recall/precision targets før du går videre med implementation.
|
||||
Loading…
Add table
Add a link
Reference in a new issue