Přejít na hlavní obsah
Generování rozšířené o vyhledávání

RAG chatbot pro
Weby a dokumentace

RAG chatbot pro weby, dokumentaci a centra nápovědy, který pro tvorbu odpovědí vyhledává ve vašem vlastním obsahu. ChattyBox je navržen tak, aby na otázky jako „Co obsahuje plán Pro?“ odpovídal na základě vašich publikovaných stránek, a může poskytovat odkazy na zdroje — bez nutnosti vytvářet nebo hostovat vlastní vyhledávací infrastrukturu.

Co je RAG?

RAG kombinuje jazykový model s vyhledaným zdrojovým obsahem. Před vygenerováním odpovědi chatbot hledá ve vašich publikovaných stránkách pasáže odpovídající otázce.

Pokud je prioritou důvěra v odpovědi, propojte tento vyhledávací workflow s AI chatbotem založeným na zdrojích, navrženým tak, aby omezoval vymyšlené odpovědi díky omezením zdrojů a fallback chování.

1

Vyhledání

Když návštěvník položí otázku, ChattyBox prohledá indexovaný obsah webu, dokumentace, nápovědy a CMS a najde relevantní pasáže.

2

Rozšíření

Tyto zdrojové pasáže se přidají jako kontext, aby měl model konkrétní podklad pro odpověď.

3

Generování

Model vygeneruje stručnou odpověď a může obsahovat odkazy na zdroje, aby si návštěvníci mohli podrobnosti ověřit.

Ověřené redakční podklady

Úplná cesta RAG od zdroje k citované odpovědi

Spolehlivý systém RAG tvoří řetězec testovatelných fází, nikoli jediné volání modelu. Následující obecná referenční architektura ilustruje kontroly přípravy obsahu, vyhledávání, generování a citování; není specifikací schopností produktu ChattyBox.

Technický autor
Technický tým ChattyBox
Technický recenzent
Redakční tým ChattyBox
Naposledy aktualizováno
Informace zkontrolovány
9. července 2026

Přezkoumáno, když se změní chování při vyhledávání a nejméně každých šest měsíců.

Diagram architektury RAG znázorňující procházení, parsování, dělení na bloky, tvorbu embeddingů, vyhledávání, sestavení promptu, odpověď a citaci
Zdroje jsou zpracovány do indexu a chatbot vyhledává pasáže, které mu slouží při tvorbě odpovědí. Odpovědi mohou obsahovat odkazy na vyhledané stránky, na kterých si uživatelé mohou ověřit podklady.
Každá fáze má samostatný výstup a kontrolu kvality; testování pouze finální prózy skryje vady indexování a vyhledávání.
FázePříklad operaceKontrola k ověření
Fáze
1. Procházení
Příklad operace
Objevte povolené stránky z adres URL a souborů Sitemap.
Kontrola k ověření
Jsou přítomny očekávané adresy URL; vyloučené a soukromé cesty chybí.
Fáze
2. Parsování
Příklad operace
Extrahujte užitečný text stránky a zachovejte informace o zdroji pro vyhledávání.
Kontrola k ověření
Šum navigace je odstraněn bez vynechání příkazů nebo popisků verzí.
Fáze
3. Dělení na bloky
Příklad operace
Rozdělte obsah na pasáže, které zachovávají URL zdrojové stránky.
Kontrola k ověření
Každá pasáž je srozumitelná sama o sobě a zachovává předpoklady.
Fáze
4. Tvorba embeddingů
Příklad operace
Převeďte pasáže na reprezentace pro sémantické porovnávání a uložte metadata zdroje.
Kontrola k ověření
Každý vektor odkazuje na jednu aktuální a povolenou pasáž zdroje.
Fáze
5. Vyhledávání
Příklad operace
Seřaďte malou sadu pasáží podle relevance k otázce návštěvníka.
Kontrola k ověření
V testech Recall@k se referenční pasáž dostane do sady kontextu.
Fáze
6. Sestavení promptu
Příklad operace
Spojte otázku, pasáže, metadata zdrojů a pravidla pro náhradní odpověď.
Kontrola k ověření
Zkontrolujte, zda pokyny nejsou v rozporu s pravidly pro opírání odpovědí o zdroje a pro náhradní odpovědi; samotné prompty nemohou zaručit jejich dodržování.
Fáze
7. Odpověď
Příklad operace
Dejte modelu pokyn použít podložené podrobnosti nebo odmítnout, když důkazy nestačí.
Kontrola k ověření
Zkontrolujte tvrzení vůči kontextu; pokud není k dispozici použitelný kontext nebo je zjištěna mezera v obsahu, může se spustit náhradní odpověď.
Fáze
8. Citace
Příklad operace
Vracejte vyhledané URL stránek u podložených odpovědí; ověřte, že odpověď podporují.
Kontrola k ověření
Odkazy fungují, odpovídají dané verzi a přímo dokládají tvrzení.

Aktuálnost a opětovné indexování

Než může ChattyBox změněný obsah použít, musí jej načíst a uložit. Vektorové vyhledávání závisí na aktualizovaných embeddingech; v některých případech může náhradní postup využívající uložené stránky poskytnout kontext i bez odpovídajících bloků. Aktualizace a vyhledávání se přesto mohou opozdit nebo selhat, proto testujte reprezentativní odpovědi vůči aktuálním zdrojům, zejména u cen, zásad a verzované dokumentace.

Hranice veřejného a soukromého zdroje

Veřejné stránky mohou sdílet jeden rozsah procházení. Soukromá data a data zákazníků, zaměstnanců nebo účtů vyžadují ověřené přijímání a autorizaci při vyhledávání, než se pasáže dostanou do promptu. Pravidla pro roboty nenahrazují řízení přístupu. Nikdy neindexujte tajné údaje a ověřte, že neoprávněné identity nemohou z omezených zdrojů získat názvy, úryvky, adresy URL ani podrobnosti odpovědí.

Vyhodnoťte vyhledávání před posouzením psaní

Použijte verzovanou sadu otázek se známými zdrojovými pasážemi, očekávanými tvrzeními a očekávanými případy odmítnutí. Spusťte ji po změnách zdrojů, dělení na bloky, embeddingů, řazení nebo promptu a poté vyhodnoťte selhání podle jednotlivých fází.

SignálJak to změřitSelhání to odhaluje
Signál
Recall@k
Jak to změřit
Podíl zodpověditelných otázek, u nichž se referenční pasáž objeví mezi top k výsledky.
Selhání to odhaluje
Nedostatečné pokrytí procházením, nekvalitní bloky, nesoulad slovní zásoby nebo zastaralé embeddingy.
Signál
Kvalita řazení
Jak to změřit
Zaznamenejte reciproční pořadí nebo nDCG pro posuzované relevantní pasáže.
Selhání to odhaluje
Relevantní stránka existuje, ale převyšuje ji šum nebo zastaralá verze.
Signál
Podloženost tvrzení
Jak to změřit
Každé podstatné tvrzení porovnejte s pasážemi předanými modelu.
Selhání to odhaluje
Odpověď kombinuje domněnky s důkazy nebo nadhodnocuje zdroj.
Signál
Přesnost citace
Jak to změřit
Ověřte, že každý citační odkaz funguje a přímo dokládá tvrzení, ke kterému je připojen.
Selhání to odhaluje
Správná odpověď odkazuje na pouze související stránku nebo na špatnou verzi.
Signál
Přesnost a úplnost odmítnutí
Jak to změřit
Zahrňte nezodpověditelné otázky a otázky s rozpornými zdroji; vyhodnoťte správná odmítnutí i přehlédnuté odpovědi.
Selhání to odhaluje
Robot hádá bez důkazů nebo odmítá navzdory dostatečným důkazům.
Signál
Zpoždění aktualizace
Jak to změřit
Změřte čas od změny publikovaného zdroje ke správné načtené odpovědi.
Selhání to odhaluje
Zpoždění opětovného procházení, duplicitní zastaralé bloky nebo neúspěšné šíření smazání.

RAG zvolte pro proměnlivé znalosti s dohledatelnými zdroji

MetodaNejlépe sedíDůležitý limit
Metoda
Vyhledávání klíčových slov nebo stránek
Nejlépe sedí
Uživatelé chtějí stránky seřazené podle relevance a zdroj si přečtou sami.
Důležitý limit
Nesestavuje souhrnnou odpověď a může přehlédnout sémantické shody.
Metoda
RAG
Nejlépe sedí
Znalosti se mění, na citacích záleží a odpovědi čerpají z několika pasáží.
Důležitý limit
Kvalita závisí na pokrytí procházení, načítání, oprávnění a kvalitě zdroje.
Metoda
Jemné doladění
Nejlépe sedí
Výuka stabilního stylu, formátu, klasifikace nebo způsobu plnění úloh.
Důležitý limit
Není spolehlivou náhradou za aktuální fakta, citace nebo vymazání zdroje.
Metoda
Promptování s dlouhým kontextem
Nejlépe sedí
Ohraničená sada dokumentů zapadá do kontextu a každá položka je relevantní.
Důležitý limit
S rostoucím kontextem rostou náklady i množství šumu; oprávnění a aktuálnost stále vyžadují kontrolu.

Jak vyhodnotit RAG chatbota pro zákaznickou podporu

Neexistuje univerzálně nejlepší volba. Nad stejnými otázkami podpory otestujte věrnost citací, chování při chybějících odpovědích, aktuálnost zdrojů, rozporný obsah, eskalaci, hranice soukromého kontextu, analytiku, integrace a náročnost nasazení.

Odpovědi z veřejného obsahu

Cílený RAG chatbot může s citacemi a konzervativním chováním při chybějící odpovědi zodpovídat opakované otázky z ověřené dokumentace a článků nápovědy.

Úkony u účtu a práce s případy

Širší sadu podpory zvolte, pokud potřebujete ověřené úkony u účtu, směrování tiketů, SLA, pracovní prostory agentů nebo provoz napříč kanály.

Proveďte stejné testy hranic

Zahrňte chybějící, zastaralé, rozporné, soukromé a vysoce závažné otázky. Místo zveřejnění neověřeného skóre zaznamenejte citované URL, odmítnutí, předání a poznámky kontrolora.

Naplánujte hranici podpory a eskalace · Vyhodnoťte důkazy v odkazovaných zdrojích · Použijte kontrolní seznam pro omezení halucinací

Návod od zdroje k odpovědi

Předpokládejme, že indexovaná instalační stránka uvádí, že skript widgetu patří bezprostředně před uzavírací značku body. Vyhledávání by mělo vybrat tuto pasáž, prompt by měl zakázat nepodložené rady k umístění a odpověď by měla uvést daný pokyn spolu s instalační stránkou jako důkazem.

  1. 1. Otázka je převedena na embedding a porovnána s povolenými bloky.
  2. 2. Instalační pasáž se umístí výše než obecnější stránky o widgetu.
  3. 3. Model dostane pokyn, aby odpověděl s využitím údaje o umístění v dané pasáži.
  4. 4. Zdrojová karta odkazuje uživatele na přesnou stránku dokumentace.

Pokračujte průvodci pro citace zdrojů, AI chatbot pro Docusaurus s citacemi zdrojů, chatboty pro vývojářskou dokumentaci a AI chatbot pro MkDocs s citacemi zdrojů.

Dokumentační asistent
Kam mám přidat skript widgetu?
Přidejte skript widgetu ChattyBox bezprostředně před uzavírací značku body na každé stránce, kde se má widget zobrazit.

Ilustrační konverzace — nejde o živý chat.

Běží na ChattyBox

Jak ChattyBox udržuje vyhledávání praktické

Prohledávatelný rejstřík obsahu

Vaše webové stránky, dokumentace, centrum nápovědy a stránky CMS se zaindexují, aby mohl chatbot prohledávat obsah, který už publikujete.

Model pro Embeddings

Embeddingy pomáhají párovat otázky návštěvníků s relevantními zdrojovými pasážemi, i když se liší znění.

Cílené vyhledávání

ChattyBox vyhledává relevantní zdrojový obsah, který poskytne jako kontext; pokud použitelný kontext chybí, může vrátit náhradní odpověď.

Promptování omezené kontextem

Model dostává pokyny odpovídat z vyhledaného kontextu a vyhýbat se nepodloženým tvrzením. Tyto pokyny nezaručují správnou odpověď.

Odkazy na zdroje

Podložené odpovědi mohou obsahovat odkazy na vyhledané zdrojové stránky ke kontrole. Náhradní odpovědi mohou být bez citací.

Zpracování záložních odpovědí

Když chybí relevantní obsah, bot může použít záložní odpověď místo vymýšlení nepodložené odpovědi.

RAG chatbot vs obecný chatbot AI

Obecný chatbot odpovídá ze široké paměti modelu a může znít sebejistě i v otázkách, které nezná. RAG chatbot nejprve vyhledává na vašich stránkách a dostává pokyn, aby tento obsah použil; odkazy na zdroje mohou uživatelům pomoci odpověď ověřit, její správnost však není zaručena.

Obecný chatbot s umělou inteligencí
  • —Odpovědi z široké paměti modelu, nikoli z vašeho obsahu.
  • —Může vymýšlet funkce, ceny nebo kroky, které nejsou ve vašich dokumentech.
  • —Žádný jasný zdroj pro ověření odpovědi.
RAG chatbot
  • Nejprve načte z vašeho publikovaného webu, dokumentů a obsahu nápovědy.
  • Může použít nastavenou záložní odpověď, pokud vyhledaný obsah neposkytuje dostatečný podklad pro odpověď.
  • Může citovat podpůrné stránky, aby návštěvníci mohli ověřit podklady pro podstatná tvrzení.

Pokud jsou prioritou citace, použijte AI chatbota s citacemi zdrojů, který propojuje podporované odpovědi s jejich zdrojovými stránkami.

RAG bez přestavby vaší obsahové infrastruktury

Připojte svůj stávající obsah webu, otestujte kvalitu odpovědí a vložte chatbota citujícího zdroje, jakmile budou odpovědi vypadat dobře.

Začněte zdarma – bez platební karty