--- title: "RAG-wzorce" source: "https://systems-analysis.info/int/RAG-wzorce" wiki: "systems-analysis.info/int" article: "RAG-wzorce" language: "pl" categories: - "Category:Large language models" - "Category:Polish" - "Category:Prompt engineering" revision_id: 6105 wiki_created_at: 2026-09-06T23:58:24Z wiki_modified_at: 2026-09-06T23:58:24Z downloaded_at: 2026-09-07T23:12:03Z --- # RAG-wzorce **RAG-wzorce** (ang. *RAG Patterns*) — to zestaw architektonicznych i metodologicznych podejść do budowania systemów **Retrieval-Augmented Generation** (RAG). Wzorce te służą rozwiązaniu fundamentalnych problemów dużych modeli językowych (LLM), takich jak halucynacje, dezaktualizacja wiedzy i brak specyfiki domenowej, poprzez integrację LLM z zewnętrznymi, dynamicznie dostępnymi źródłami danych^{[\[1\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-lewis2020-1)}. Ewolucja RAG przebiegła od prostych liniowych potoków do złożonych systemów modularnych i agentowych^{[\[2\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-survey2024-2)}. ## Podstawowe wzorce RAG W miarę rozwoju technologii pojawiło się wiele wzorców RAG, z których każdy rozwiązuje określone zadania i ma własne kompromisy między jakością, szybkością a kosztem. - **Classic RAG (Klasyczny RAG)** — podstawowe podejście, w którym zapytanie użytkownika jest wektoryzowane w celu wyszukania odpowiednich fragmentów (chunków) w wektorowej bazie danych; znalezione chunki są przekazywane do LLM wraz z pytaniem w celu wygenerowania odpowiedzi^{[\[1\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-lewis2020-1)}. - **Multi‑Query RAG (Wielokrotne zapytania)** — LLM generuje kilka przeformułowanych/doprecyzowanych wariantów oryginalnego zapytania; wyszukiwanie odbywa się dla wszystkich wariantów, a wyniki są łączone, co zwiększa pełność (*recall*)^{[\[3\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-langchain-multiquery-3)}. - **HyDE (Hypothetical Document Expansion)** — służy przezwyciężeniu „luki semantycznej" między krótkim zapytaniem a długimi dokumentami. LLM najpierw generuje „hipotetyczny" dokument-odpowiedź, a następnie jego embedding jest używany do wyszukiwania, co często poprawia jakość ekstrakcji^{[\[4\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-hyde-4)}. - **Hybrid Retrieval (Wyszukiwanie hybrydowe)** — połączenie wyszukiwania semantycznego (wektorowego) i leksykalnego (BM25). Schematy hybrydowe stały się standardem dla systemów produkcyjnych: wyszukiwanie wektorowe pokrywa dopasowania znaczeniowe, a BM25 znajduje dokładne terminy/ID/akronimy; wyniki są łączone przez fuzję^{[\[5\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-milvus-fulltext-7)}. - **Re‑ranking (Dodatkowe rankingowanie)** — dwuetapowy proces: szybki retriever zwraca zestaw kandydatów (np. top‑100), następnie cross-encoder (lub inny reranker) przelicza trafność i wybiera najlepsze (np. top‑5) dla LLM^{[\[8\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-cohere-rerank-9)}. - **Query Routing (Routing zapytań)** — w systemach z wieloma heterogenicznymi źródłami danych (różne indeksy/bazy danych/API) zapytanie jest kierowane do najlepszego źródła za pomocą routera (selektor LLM lub klasyfikator); obejmuje strategie fallback^{[\[10\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-llama-router-10)}. - **Agentic/Web RAG (Agentowy RAG)** — LLM pełni rolę agenta: dekompozuje złożone pytania, planuje iteracje i korzysta z narzędzi (wyszukiwanie wektorowe, wyszukiwanie w sieci) ze sprzężeniem zwrotnym. Typową implementacją jest paradygmat ReAct^{[\[11\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-react-11)}; w przypadku zorientowanego na sieć zbierania informacji i obowiązkowego cytowania zob. WebGPT^{[\[12\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-webgpt-12)}. ### Powiązane i rozwijające się paradygmaty - **GraphRAG (Grafowy RAG)** — wykorzystuje graf wiedzy jako źródło i mechanizm wyboru kontekstu; wyszukiwanie odbywa się po strukturze powiązań między encjami oraz po tekście, zwiększając interpretowalność i jakość na pytaniach wieloetapowych (multi‑hop)^{[\[13\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-graphrag-13)[\[14\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-graphrag-project-14)}. - **MM‑RAG (Multimodalny RAG)** — praca z tekstem i źródłami wizualnymi (skany/schematy/tabele). Przykład: VisRAG demonstruje retrieval i generację zorientowane na VLM na dokumentach multimodalnych^{[\[15\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-visrag-15)}. - **Packaging & Context Handling (Pakowanie kontekstu)** — sposoby integracji znalezionych chunków w prompt: *Stuff*, *Map‑Reduce*, *Refine*, *Tree‑of‑Chunks (RAPTOR)*^{[\[16\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-raptor-16)}. ## Tabela porównawcza wzorców | Wzorzec | Kiedy stosować | Wpływ na jakość | Koszt / Opóźnienie | Ryzyka i ograniczenia | |----------------------|-----------------------------------------------------------------|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------|--------------------------------------------------------------------------| | **Classic RAG** | PoC i proste Q&A nad jednorodną bazą | Poziom bazowy; silnie zależy od embeddingów^{[\[1\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-lewis2020-1)} | Niski | Wrażliwość na sformułowania; ryzyko nieistotnego kontekstu | | **Hybrid Retrieval** | W większości scenariuszy produkcyjnych; dużo kodów/akronimów/ID | Zwiększa pełność; pokrywa dokładne terminy^{[\[5\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-qdrant-hybrid-6)[\[7\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-milvus-fulltext-7)} | Niski/Średni | Kalibracja wag fuzji; dwa indeksy | | **Re‑ranking** | Kluczowy, gdy wymagana jest wysoka precyzja | Istotny wzrost precision dla top‑k^{[\[8\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-nogueira2019-8)[\[9\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-cohere-rerank-9)} | Średni/Wysoki | Dodatkowe opóźnienie/koszt | | **Multi‑Query** | Krótkie/wieloaspektowe zapytania | Zwiększa recall^{[\[3\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-langchain-multiquery-3)} | Średni | Nadmiarowe/zaszumione przeformułowania | | **HyDE** | Krótkie/niejednoznaczne zapytania z dużą „luką semantyczną" | Poprawia jakość retrievalu *zero‑shot*^{[\[4\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-hyde-4)} | Średni | Zależy od jakości tekstu „hipotetycznego" | | **Query Routing** | Wiele źródeł (baza dokumentów, SQL, API, sieć) | Zwiększa trafność dzięki właściwemu źródłu^{[\[10\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-llama-router-10)} | Średni | Błąd routingu = niepowodzenie wyszukiwania | | **Agentic/Web RAG** | Złożone, badawcze, wieloetapowe zapytania | Rozwiązuje zadania poza liniowym potokiem^{[\[11\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-react-11)[\[12\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-webgpt-12)} | Wysoki | Złożoność, ryzyko zapętlenia; potrzebne mechanizmy ochronne (guardrails) | Porównanie kluczowych wzorców RAG ## Praktyczna implementacja i architektura ### Etapy wdrożenia 1. **Proof of Concept (PoC):** Rozpocznij od **Classic RAG** na ograniczonym, lecz reprezentatywnym zbiorze danych, aby sprawdzić jakość embeddingów i podstawowy retrieval^{[\[1\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-lewis2020-1)}. 2. **Minimum Viable Product (MVP):** Wdróż **Hybrid Retrieval** i **Re‑ranking** jako najlepszy stosunek nakładu do efektu^{[\[5\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-weaviate-hybrid-5)[\[8\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-nogueira2019-8)}. 3. **Produkcja:** Dodaj transformacje zapytań (**HyDE**, **Multi‑Query**) oraz w razie potrzeby **Query Routing**; skonfiguruj observability (logowanie retrievalu/rerankingu/odpowiedzi) i testy A/B^{[\[3\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-langchain-multiquery-3)[\[10\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-llama-router-10)}. ### Kluczowe komponenty - **Chunking (Podziału na fragmenty):** Jeden z najbardziej krytycznych czynników jakości. Naiwny stały rozmiar często przerywa jednostki znaczeniowe. Zalecane są splittery zorientowane strukturalnie (według znaczników) lub rekurencyjne (akapit → zdanie → słowo)^{[\[17\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-rcsplit-17)[\[18\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-llama-hier-18)}. - **Embeddingi i metadane:** Przechowuj przy każdym chunku document_id, stronę/sekcję, tytuł, daty; jest to niezbędne do filtrowania i prawidłowego cytowania źródeł. - **Hybrydowy retrieval i reranking:** Używaj BM25+wektor z fuzją (lub RRF), a następnie cross-encoder do rerankingu na małej puli kandydatów^{[\[5\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-weaviate-hybrid-5)[\[6\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-qdrant-hybrid-6)[\[8\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-nogueira2019-8)}. - **Pakowanie kontekstu:** Wybieraj *Map‑Reduce*, *Refine* lub *Tree‑of‑Chunks* dla długich korpusów^{[\[16\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-raptor-16)[\[18\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-llama-hier-18)}. ### Typowe błędy (antywzorce) - **Tylko wyszukiwanie wektorowe** bez BM25 → niepowodzenia na kodach/ID/akronimach^{[\[5\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-weaviate-hybrid-5)[\[7\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-milvus-fulltext-7)}. - **Zbyt duży/mały chunk** → utrata kontekstu lub „rozmycie" embeddingu^{[\[17\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-rcsplit-17)}. - **Brak rerankingu w produkcji** → LLM otrzymuje zaszumiony kontekst^{[\[8\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-nogueira2019-8)}. - **Brak observability** i śledzenia źródeł → niemożność analizy przyczyn błędów (zob. ocena RAG). ## Ocena jakości i metryki Ocena jest przeprowadzana na poziomie retrievalu (offline) i end‑to‑end (generacja). ### Metryki retrievera - **Hit Rate, Recall@k, MRR** — pokrycie i pozycja trafnych dokumentów. - **Context Precision & Recall** — na ile wyekstrahowany kontekst jest wolny od „szumów" i pokrywa wszystko, co potrzebne (zaimplementowane w RAGAS)^{[\[19\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-ragas-19)}. ### Metryki generatora (end‑to‑end) - **Faithfulness / Groundedness** — zgodność odpowiedzi z dostarczonym kontekstem. - **Answer Relevancy (Trafność odpowiedzi)** — zgodność z oryginalnym pytaniem. Do automatyzacji metryk używane są frameworki open‑source: **RAGAS**, **TruLens** (*RAG triad*: context relevance, groundedness, answer relevance), **DeepEval**^{[\[20\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-trulens-20)[\[21\]](https://systems-analysis.info/int/RAG-wzorce#cite_note-deepeval-21)}. ## Zobacz też - Retrieval-Augmented Generation (RAG) - Wektorowe bazy danych - Embedding - Agent AI - GraphRAG - MM-RAG - Ocena i benchmarki LLM ## Literatura - Lewis, P., Perez, E., et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. NeurIPS. arXiv:2005.11401. - Fan, W., Ding, Y., et al. (2024). *A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models*. KDD. DOI:10.1145/3637528.3671470; arXiv:2405.06211. - Gao, L., Ma, X., Lin, J., Callan, J. (2023). *Precise Zero‑Shot Dense Retrieval without Relevance Labels (HyDE)*. ACL 2023. ACL Anthology; arXiv:2212.10496. - Nogueira, R., Cho, K. (2019). *Passage Re‑ranking with BERT*. arXiv:1901.04085. - Weaviate Docs. *Hybrid search (BM25+Vector)*. [1]. - Qdrant Docs. *Hybrid Queries*. [2]. - Milvus Docs. *Full‑Text Search* / *Hybrid Search*. [3] / [4]. - LangChain Docs. *MultiQueryRetriever*. [5]. - Cohere Docs. *Rerank — best practices*. [6]. - LlamaIndex Docs. *Routing (query routers/selectors)*. [7]. - Yao, S., et al. (2023). *ReAct: Synergizing Reasoning and Acting in Language Models*. ICLR. arXiv:2210.03629. - Nakano, R., et al. (2021). *WebGPT: Browser‑assisted question‑answering with human feedback*. arXiv:2112.09332. - Microsoft Research Blog. *GraphRAG: Unlocking LLM discovery on narrative private data*. (2024). [8]. - Microsoft Research. *Project GraphRAG*. (2024). [9]. - Yu, S., et al. (2024). *VisRAG: Vision‑based Retrieval‑augmented Generation on Multi‑modality Documents*. arXiv:2410.10594. - Sarthi, P., et al. (2024). *RAPTOR: Recursive Abstractive Processing for Tree‑Organized Retrieval*. arXiv:2401.18059. - Es, S., et al. (2024). *RAGAs: Automated Evaluation of Retrieval Augmented Generation*. EACL (Demo). [10]. - TruLens Docs. *RAG Triad*. [11]. - DeepEval (GitHub). *The LLM Evaluation Framework*. [12]. - LangChain Docs. *RecursiveCharacterTextSplitter*. [13]. - LlamaIndex Docs. *HierarchicalNodeParser*; *Response Synthesis (Tree/Refine)*. [14]; [15]. ## Przypisy 1. ↑ ^{[1.0](https://systems-analysis.info/int/RAG-wzorce#cite_ref-lewis2020_1-0)} ^{[1.1](https://systems-analysis.info/int/RAG-wzorce#cite_ref-lewis2020_1-1)} ^{[1.2](https://systems-analysis.info/int/RAG-wzorce#cite_ref-lewis2020_1-2)} ^{[1.3](https://systems-analysis.info/int/RAG-wzorce#cite_ref-lewis2020_1-3)} Lewis, P., Perez, E., et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. NeurIPS. arXiv:2005.11401. 2. [↑](https://systems-analysis.info/int/RAG-wzorce#cite_ref-survey2024_2-0) Fan, W., Ding, Y., et al. (2024). *A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models*. KDD. DOI:10.1145/3637528.3671470; arXiv:2405.06211. 3. ↑ ^{[3.0](https://systems-analysis.info/int/RAG-wzorce#cite_ref-langchain-multiquery_3-0)} ^{[3.1](https://systems-analysis.info/int/RAG-wzorce#cite_ref-langchain-multiquery_3-1)} ^{[3.2](https://systems-analysis.info/int/RAG-wzorce#cite_ref-langchain-multiquery_3-2)} LangChain Docs. *MultiQueryRetriever*. https://python.langchain.com/docs/how_to/MultiQueryRetriever/ 4. ↑ ^{[4.0](https://systems-analysis.info/int/RAG-wzorce#cite_ref-hyde_4-0)} ^{[4.1](https://systems-analysis.info/int/RAG-wzorce#cite_ref-hyde_4-1)} Gao, L., Ma, X., Lin, J., Callan, J. (2023). *Precise Zero‑Shot Dense Retrieval without Relevance Labels*. ACL 2023. arXiv:2212.10496; ACL Anthology: 2023.acl‑long.99. 5. ↑ ^{[5.0](https://systems-analysis.info/int/RAG-wzorce#cite_ref-weaviate-hybrid_5-0)} ^{[5.1](https://systems-analysis.info/int/RAG-wzorce#cite_ref-weaviate-hybrid_5-1)} ^{[5.2](https://systems-analysis.info/int/RAG-wzorce#cite_ref-weaviate-hybrid_5-2)} ^{[5.3](https://systems-analysis.info/int/RAG-wzorce#cite_ref-weaviate-hybrid_5-3)} ^{[5.4](https://systems-analysis.info/int/RAG-wzorce#cite_ref-weaviate-hybrid_5-4)} Weaviate Docs. *Hybrid search (BM25+Vector)*. https://docs.weaviate.io/weaviate/concepts/search/hybrid-search 6. ↑ ^{[6.0](https://systems-analysis.info/int/RAG-wzorce#cite_ref-qdrant-hybrid_6-0)} ^{[6.1](https://systems-analysis.info/int/RAG-wzorce#cite_ref-qdrant-hybrid_6-1)} ^{[6.2](https://systems-analysis.info/int/RAG-wzorce#cite_ref-qdrant-hybrid_6-2)} Qdrant Docs. *Hybrid Queries*. https://qdrant.tech/documentation/concepts/hybrid-queries/ 7. ↑ ^{[7.0](https://systems-analysis.info/int/RAG-wzorce#cite_ref-milvus-fulltext_7-0)} ^{[7.1](https://systems-analysis.info/int/RAG-wzorce#cite_ref-milvus-fulltext_7-1)} ^{[7.2](https://systems-analysis.info/int/RAG-wzorce#cite_ref-milvus-fulltext_7-2)} Milvus Docs. *Full‑Text Search* и *Hybrid Search*. https://milvus.io/docs/full-text-search.md; https://milvus.io/docs/hybrid_search_with_milvus.md 8. ↑ ^{[8.0](https://systems-analysis.info/int/RAG-wzorce#cite_ref-nogueira2019_8-0)} ^{[8.1](https://systems-analysis.info/int/RAG-wzorce#cite_ref-nogueira2019_8-1)} ^{[8.2](https://systems-analysis.info/int/RAG-wzorce#cite_ref-nogueira2019_8-2)} ^{[8.3](https://systems-analysis.info/int/RAG-wzorce#cite_ref-nogueira2019_8-3)} ^{[8.4](https://systems-analysis.info/int/RAG-wzorce#cite_ref-nogueira2019_8-4)} Nogueira, R., Cho, K. (2019). *Passage Re‑ranking with BERT*. arXiv:1901.04085. 9. ↑ ^{[9.0](https://systems-analysis.info/int/RAG-wzorce#cite_ref-cohere-rerank_9-0)} ^{[9.1](https://systems-analysis.info/int/RAG-wzorce#cite_ref-cohere-rerank_9-1)} Cohere Docs. *Rerank — best practices*. https://docs.cohere.com/docs/reranking-best-practices 10. ↑ ^{[10.0](https://systems-analysis.info/int/RAG-wzorce#cite_ref-llama-router_10-0)} ^{[10.1](https://systems-analysis.info/int/RAG-wzorce#cite_ref-llama-router_10-1)} ^{[10.2](https://systems-analysis.info/int/RAG-wzorce#cite_ref-llama-router_10-2)} LlamaIndex Docs. *Routing (query routers/selectors)*. https://docs.llamaindex.ai/en/stable/module_guides/querying/router/ 11. ↑ ^{[11.0](https://systems-analysis.info/int/RAG-wzorce#cite_ref-react_11-0)} ^{[11.1](https://systems-analysis.info/int/RAG-wzorce#cite_ref-react_11-1)} Yao, S., et al. (2023). *ReAct: Synergizing Reasoning and Acting in Language Models*. ICLR 2023. arXiv:2210.03629. 12. ↑ ^{[12.0](https://systems-analysis.info/int/RAG-wzorce#cite_ref-webgpt_12-0)} ^{[12.1](https://systems-analysis.info/int/RAG-wzorce#cite_ref-webgpt_12-1)} Nakano, R., et al. (2021). *WebGPT: Browser‑assisted question‑answering with human feedback*. arXiv:2112.09332. 13. [↑](https://systems-analysis.info/int/RAG-wzorce#cite_ref-graphrag_13-0) Microsoft Research Blog. *GraphRAG: Unlocking LLM discovery on narrative private data*. 2024. https://www.microsoft.com/en-us/research/blog/graphrag-unlocking-llm-discovery-on-narrative-private-data/ 14. [↑](https://systems-analysis.info/int/RAG-wzorce#cite_ref-graphrag-project_14-0) Microsoft Research. *Project GraphRAG*. https://www.microsoft.com/en-us/research/project/graphrag/ 15. [↑](https://systems-analysis.info/int/RAG-wzorce#cite_ref-visrag_15-0) Yu, S., et al. (2024). *VisRAG: Vision‑based Retrieval‑augmented Generation on Multi‑modality Documents*. arXiv:2410.10594; OpenReview: zG459X3Xge. 16. ↑ ^{[16.0](https://systems-analysis.info/int/RAG-wzorce#cite_ref-raptor_16-0)} ^{[16.1](https://systems-analysis.info/int/RAG-wzorce#cite_ref-raptor_16-1)} Sarthi, P., et al. (2024). *RAPTOR: Recursive Abstractive Processing for Tree‑Organized Retrieval*. arXiv:2401.18059. 17. ↑ ^{[17.0](https://systems-analysis.info/int/RAG-wzorce#cite_ref-rcsplit_17-0)} ^{[17.1](https://systems-analysis.info/int/RAG-wzorce#cite_ref-rcsplit_17-1)} LangChain Docs. *RecursiveCharacterTextSplitter*. https://python.langchain.com/docs/how_to/recursive_text_splitter/ 18. ↑ ^{[18.0](https://systems-analysis.info/int/RAG-wzorce#cite_ref-llama-hier_18-0)} ^{[18.1](https://systems-analysis.info/int/RAG-wzorce#cite_ref-llama-hier_18-1)} LlamaIndex Docs. *HierarchicalNodeParser* и *Tree Summarization*. https://docs.llamaindex.ai/en/stable/api/llama_index.core.node_parser.HierarchicalNodeParser.html; https://docs.llamaindex.ai/en/stable/examples/low_level/response_synthesis/ 19. [↑](https://systems-analysis.info/int/RAG-wzorce#cite_ref-ragas_19-0) Es, S., et al. (2024). *RAGAs: Automated Evaluation of Retrieval Augmented Generation*. EACL (Demo). https://aclanthology.org/2024.eacl-demo.16/ 20. [↑](https://systems-analysis.info/int/RAG-wzorce#cite_ref-trulens_20-0) TruLens Docs. *RAG Triad*. https://www.trulens.org/getting_started/core_concepts/rag_triad/ 21. [↑](https://systems-analysis.info/int/RAG-wzorce#cite_ref-deepeval_21-0) DeepEval (GitHub). https://github.com/confident-ai/deepeval