Lewati ke konten utama
Retrieval-Augmented Generation

Chatbot RAG untuk
Situs Web dan Dokumentasi

Chatbot RAG untuk situs web, dokumentasi, dan pusat bantuan yang mengambil informasi dari konten Anda sendiri untuk menyusun jawaban. ChattyBox dirancang untuk menjawab pertanyaan seperti "Apa saja yang termasuk dalam paket Pro?" menggunakan halaman yang Anda terbitkan dan dapat memberikan tautan sumber — tanpa perlu membangun atau meng-host infrastruktur retrieval khusus.

Apa itu RAG?

RAG menggabungkan model bahasa dengan konten sumber yang diambil. Sebelum menghasilkan respons, chatbot mencari bagian yang cocok dengan pertanyaan di halaman yang Anda publikasikan.

Jika prioritas Anda adalah kepercayaan jawaban, padukan alur retrieval ini dengan chatbot AI berbasis sumber yang dirancang untuk mengurangi jawaban karangan melalui batasan sumber dan perilaku fallback.

1

Mengambil

Saat pengunjung mengajukan pertanyaan, ChattyBox mencari bagian yang relevan dalam konten situs web, dokumentasi, bantuan, dan CMS yang telah diindeks.

2

Menambah

Bagian sumber tersebut ditambahkan sebagai konteks agar model memiliki informasi spesifik sebagai dasar jawabannya.

3

Menghasilkan

Model menghasilkan jawaban yang ringkas dan dapat menyertakan tautan sumber sehingga pengunjung dapat memverifikasi detailnya.

Bukti editorial yang telah diuji

Alur RAG lengkap dari sumber hingga jawaban dengan kutipan

Sistem RAG yang andal adalah rangkaian tahap yang dapat diuji, bukan satu panggilan model. Arsitektur referensi umum berikut menggambarkan pemeriksaan untuk persiapan konten, pengambilan informasi, pembuatan jawaban, dan kutipan; ini bukan spesifikasi kemampuan ChattyBox.

Penulis teknis
Tim Rekayasa ChattyBox
Peninjau teknis
Tim Peninjauan Dokumentasi ChattyBox
Terakhir diperbarui
Informasi diperiksa
9 Juli 2026

Ditinjau ketika perilaku pengambilan informasi berubah dan setidaknya setiap enam bulan.

Diagram arsitektur RAG yang menampilkan tahap crawl, parse, chunk, embed, retrieve, prompt, answer, dan citation
Sumber disiapkan menjadi indeks, dan chatbot mencari bagian-bagian teks untuk menyusun jawaban. Jawaban dapat menyertakan tautan ke halaman yang diambil, yang dapat diperiksa pengguna sebagai pendukung jawaban.
Setiap tahap memiliki output dan pemeriksaan kualitas tersendiri; hanya menguji prosa akhir akan menyembunyikan cacat pengindeksan dan pengambilan informasi.
TahapContoh operasiKontrol yang harus diverifikasi
Tahap
1. Crawling
Contoh operasi
Temukan halaman yang diizinkan dari URL dan sitemap.
Kontrol yang harus diverifikasi
URL yang diharapkan tersedia; jalur yang dikecualikan dan privat tidak tersedia.
Tahap
2. Parsing
Contoh operasi
Ekstrak teks halaman yang berguna dan simpan informasi sumber untuk pengambilan informasi.
Kontrol yang harus diverifikasi
Gangguan navigasi dihapus tanpa menghilangkan perintah atau label versi.
Tahap
3. Pemotongan
Contoh operasi
Bagi konten menjadi bagian yang mempertahankan URL halaman sumber.
Kontrol yang harus diverifikasi
Setiap bagian dapat dipahami secara mandiri dan mempertahankan prasyarat.
Tahap
4. Embedding
Contoh operasi
Representasikan bagian untuk pencocokan semantik dan simpan metadata sumber.
Kontrol yang harus diverifikasi
Setiap vektor dipetakan ke satu bagian sumber terkini yang diizinkan.
Tahap
5. Pengambilan
Contoh operasi
Beri peringkat pada sekumpulan kecil bagian berdasarkan pertanyaan pengunjung.
Kontrol yang harus diverifikasi
Pengujian Recall@k menempatkan bagian acuan dalam set konteks.
Tahap
6. Prompt
Contoh operasi
Gabungkan pertanyaan, bagian, metadata sumber, dan aturan fallback.
Kontrol yang harus diverifikasi
Tinjau instruksi untuk menemukan pertentangan dengan panduan penggunaan sumber dan fallback; prompt saja tidak dapat menjamin kepatuhan.
Tahap
7. Jawaban
Contoh operasi
Instruksikan model untuk menggunakan detail yang didukung atau menolak saat bukti tidak cukup.
Kontrol yang harus diverifikasi
Periksa klaim berdasarkan konteks; tidak adanya konteks yang dapat digunakan atau terdeteksinya kesenjangan konten dapat memicu fallback.
Tahap
8. Kutipan
Contoh operasi
Kembalikan URL halaman yang diambil untuk jawaban yang didukung; periksa bahwa sumber tersebut mendukung respons.
Kontrol yang harus diverifikasi
Tautan dapat diakses, sesuai dengan versi, dan mendukung klaim secara langsung.

Kebaruan dan pengindeksan ulang

Konten yang berubah harus diambil dan disimpan sebelum dapat digunakan oleh ChattyBox. Pengambilan vektor bergantung pada embedding yang diperbarui; dalam beberapa kasus, fallback halaman tersimpan dapat menyediakan konteks tanpa chunk yang cocok. Pembaruan dan pengambilan informasi masih dapat terlambat atau gagal, jadi uji jawaban yang representatif terhadap sumber terkini, terutama untuk harga, kebijakan, dan dokumentasi berversi.

Batas sumber publik dan privat

Halaman publik dapat berbagi satu cakupan crawling. Data privat, tenant, karyawan, atau akun memerlukan penyerapan data terautentikasi dan otorisasi saat pengambilan sebelum bagian memasuki prompt. Aturan robots bukan kontrol akses. Jangan pernah mengindeks rahasia, dan uji bahwa identitas tanpa otorisasi tidak dapat mengambil judul, cuplikan, URL, atau detail jawaban dari sumber terbatas.

Evaluasi pengambilan informasi sebelum menilai tulisan

Gunakan set pertanyaan berversi dengan bagian sumber yang diketahui, klaim yang diharapkan, dan kasus fallback yang diharapkan. Jalankan setelah perubahan sumber, chunking, embedding, peringkat, atau prompt, lalu periksa kegagalan berdasarkan tahap.

SinyalCara mengukurnyaKegagalan yang diungkap
Sinyal
Recall@k
Cara mengukurnya
Proporsi pertanyaan yang dapat dijawab ketika bagian acuan muncul dalam k hasil teratas.
Kegagalan yang diungkap
Cakupan crawling yang kurang, chunk yang lemah, ketidakcocokan kosakata, atau embedding usang.
Sinyal
Kualitas peringkat
Cara mengukurnya
Catat reciprocal rank atau nDCG untuk bagian yang dinilai relevan.
Kegagalan yang diungkap
Halaman yang relevan tersedia, tetapi gangguan atau versi usang memiliki peringkat lebih tinggi.
Sinyal
Dukungan klaim
Cara mengukurnya
Tinjau setiap klaim penting terhadap bagian yang diberikan kepada model.
Kegagalan yang diungkap
Jawaban mencampurkan asumsi dengan bukti atau melebih-lebihkan sumber.
Sinyal
Akurasi kutipan
Cara mengukurnya
Verifikasi bahwa setiap kutipan dapat diakses dan secara langsung mendukung klaim terkait.
Kegagalan yang diungkap
Jawaban yang benar menautkan ke halaman yang hanya berkaitan atau ke versi yang salah.
Sinyal
Presisi dan recall fallback
Cara mengukurnya
Sertakan pertanyaan yang tidak dapat dijawab serta pertanyaan dengan sumber yang bertentangan; nilai penolakan yang benar dan jawaban yang terlewat.
Kegagalan yang diungkap
Bot menebak tanpa bukti atau menolak meskipun bukti memadai.
Sinyal
Jeda kebaruan
Cara mengukurnya
Ukur waktu sejak perubahan sumber dipublikasikan hingga jawaban yang diambil menjadi benar.
Kegagalan yang diungkap
Penundaan crawling ulang, duplikasi chunk usang, atau kegagalan propagasi penghapusan.

Pilih RAG untuk pengetahuan yang berubah dan dapat dilacak sumbernya

MetodePaling sesuaiBatas penting
Metode
Pencarian kata kunci atau situs
Paling sesuai
Pengguna menginginkan halaman berperingkat dan akan membaca sumbernya sendiri.
Batas penting
Tidak menyintesis jawaban dan dapat melewatkan kecocokan semantik.
Metode
RAG
Paling sesuai
Pengetahuan berubah, kutipan penting, dan jawaban mencakup beberapa bagian.
Batas penting
Kualitas bergantung pada cakupan crawling, pengambilan informasi, izin, dan kualitas sumber.
Metode
Fine-tuning
Paling sesuai
Ajarkan gaya, format, klasifikasi, atau perilaku tugas yang stabil.
Batas penting
Bukan pengganti yang andal untuk fakta terkini, kutipan, atau penghapusan sumber.
Metode
Prompting konteks panjang
Paling sesuai
Set dokumen terbatas muat dalam konteks dan setiap item relevan.
Batas penting
Biaya dan gangguan meningkat seiring konteks; izin dan kebaruan tetap memerlukan kontrol.

Cara mengevaluasi chatbot RAG untuk dukungan pelanggan

Tidak ada pilihan terbaik yang universal. Uji kesetiaan sitasi, perilaku fallback, kesegaran sumber, konten yang bertentangan, eskalasi, batas konteks privat, analitik, integrasi, dan upaya penerapan dengan pertanyaan dukungan yang sama.

Jawaban dari konten publik

Chatbot RAG terfokus dapat menjawab pertanyaan berulang dari dokumentasi dan artikel bantuan yang disetujui dengan sitasi serta perilaku fallback yang konservatif.

Tindakan akun dan penanganan kasus

Pilih rangkaian dukungan yang lebih luas jika Anda memerlukan tindakan akun terautentikasi, perutean tiket, SLA, ruang kerja agen, atau operasi lintas kanal.

Jalankan pengujian batasan yang sama

Sertakan pertanyaan yang tidak memiliki jawaban, sudah usang, bertentangan, privat, dan berdampak tinggi. Catat URL yang dikutip, penolakan, alih tangan, dan catatan peninjau alih-alih menerbitkan skor yang belum diverifikasi.

Rencanakan batas dukungan dan eskalasi · Evaluasi bukti sumber yang tertaut · Gunakan daftar periksa pengurangan halusinasi

Panduan langkah demi langkah dari sumber ke jawaban

Misalkan halaman instalasi yang diindeks menyatakan bahwa skrip widget harus ditempatkan tepat sebelum tag body penutup. Pengambilan informasi harus memilih bagian tersebut, prompt harus melarang saran penempatan yang tidak didukung, dan jawaban harus menyatakan instruksi itu dengan halaman instalasi terlampir sebagai bukti.

  1. 1. Pertanyaan di-embed dan dicocokkan dengan chunk yang diizinkan.
  2. 2. Bagian instalasi memiliki peringkat di atas halaman widget yang lebih umum.
  3. 3. Model diinstruksikan untuk menjawab menggunakan detail penempatan dalam bagian tersebut.
  4. 4. Kartu sumber menautkan pengguna ke halaman dokumentasi yang tepat.

Lanjutkan dengan panduan tentang kutipan sumber, Chatbot AI untuk Docusaurus dengan Sitasi, chatbot dokumentasi pengembang, dan Chatbot AI untuk MkDocs dengan Kutipan Sumber.

Asisten dokumentasi
Di mana saya harus menambahkan skrip widget?
Tambahkan skrip widget ChattyBox tepat sebelum tag body penutup pada setiap halaman tempat widget harus muncul.

Percakapan ilustratif — bukan chat langsung.

Didukung oleh ChattyBox

Cara ChattyBox membuat retrieval tetap praktis

Indeks Konten yang Dapat Dicari

Halaman situs web, dokumentasi, pusat bantuan, dan CMS Anda diindeks agar chatbot dapat mencari konten yang sudah Anda terbitkan.

Model Embeddings

Embedding membantu mencocokkan pertanyaan pengunjung dengan bagian sumber yang relevan meskipun kata-katanya berbeda.

Retrieval Terarah

ChattyBox mencari konten sumber yang relevan untuk disediakan sebagai konteks; jika konteks yang dapat digunakan tidak tersedia, ChattyBox dapat memberikan respons fallback.

Prompting dengan Konteks Terbatas

Model diinstruksikan untuk menjawab berdasarkan konteks yang diambil dan menghindari klaim tanpa dukungan. Instruksi ini tidak menjamin jawaban benar.

Tautan Sitasi

Jawaban yang didukung sumber dapat menyertakan tautan halaman sumber untuk diperiksa pengguna. Jawaban cadangan dapat tidak memiliki kutipan.

Penanganan Cadangan

Saat konten relevan tidak tersedia, bot dapat menggunakan jawaban cadangan alih-alih mengarang jawaban tanpa dukungan sumber.

RAG chatbot vs chatbot AI generik

Chatbot umum menjawab dari memori model yang luas dan dapat terdengar percaya diri tentang hal-hal yang tidak diketahuinya. Chatbot RAG mengambil informasi dari halaman Anda terlebih dahulu dan diinstruksikan untuk menggunakan konten tersebut; tautan sumber dapat membantu pengguna memeriksa jawabannya, tetapi akurasi tidak dijamin.

Chatbot AI generik
  • —Jawaban dari memori model luas, bukan konten Anda.
  • —Dapat mengarang fitur, harga, atau langkah-langkah yang tidak ada dalam dokumentasi Anda.
  • —Tidak ada sumber yang jelas untuk memverifikasi jawabannya.
Chatbot RAG
  • Mengambil informasi terlebih dahulu dari situs web, dokumentasi, dan konten bantuan yang Anda publikasikan.
  • Dapat menggunakan fallback yang dikonfigurasi saat pengambilan tidak berisi cukup dukungan untuk sebuah jawaban.
  • Dapat mengutip halaman pendukung sehingga pengunjung dapat memeriksa bukti di balik klaim penting.

Jika kutipan menjadi prioritas, gunakan chatbot AI dengan kutipan sumber yang menautkan jawaban yang didukung ke halaman sumbernya.

RAG tanpa membangun ulang sistem konten Anda

Hubungkan konten situs yang sudah ada, uji kualitas jawaban, dan sematkan chatbot dengan sitasi sumber saat responsnya sudah sesuai.

Mulai Gratis - Tanpa Kartu Kredit