Moving Beyond RAG with Precomputed Context
Podcast Archives - Software Engineering Daily

Moving Beyond RAG with Precomputed Context

B2بالاتر از متوسط۱۲ شهریور ۱۴۰۵۵۵ دقیقه
  • مصاحبه
  • فناوری

Retrieval has become one of the central problems in building useful AI systems. The standard approach to grounding a model in one’s own data has been retrieval augmented generation, or RAG, where an agent searches a vector database for relevant information at query time. That pattern works, but it has limitations, such as retrieving information that’s not truly relevant, repeating the same lookup work on every query, and producing inconsistent answers to the same question. Pinecone is a vector database that’s widely used to power semantic search and RAG at scale. The team recently develo...

پخش قسمت

پلیر باز می‌شود: متن کامل، همه‌ی کلمه‌ها قابل کلیک، با ترجمه و فلش‌کارت.

امتحان کنید: روی هر کلمه بزنید

جمله‌های واقعی از ابتدای همین قسمت. سطح هر کلمه مشخص شده است.

جمله‌ی 8 از 12 · 0:41

search and RAG at scale. The team recently developed Nexus, which is a knowledge engine

,

the fly. The approach borrows the database concept of a materialized view and curates

شنیدن این جمله

روی یک کلمه بزنید تا معنی‌اش را به زبان خودتان ببینید.

این کلمه‌ها را بلدید؟

8 کلمه‌ی سخت‌تر از این قسمت. روی هر کدام بزنید تا معنی‌اش را ببینید، بعد علامتش بزنید.

  • B20:41
  • B29:43
  • C115:41
  • C121:10
  • B234:02
  • C138:28
  • C147:18
  • B251:54

چند کلمه را علامت بزنید تا بگوییم این قسمت چقدر با سطح شما جور است.

این قسمت به سطح شما می‌خورد؟

B2

B2 · بالاتر از متوسط

اگر اخبار تلویزیون را دنبال می‌کنید، راحت هستید

A1 ۱۸٪A2 ۳۳٪B1 ۲۹٪B2 ۱۷٪C1 ۳٪
  • ۸۰٪ کلمه‌ها در سطح B1 یا ساده‌تر هستند.
  • ۱۶۸ کلمه در دقیقه: گفتار طبیعی و نسبتاً سریع.
  • ۲۱۵ کلمه‌ی سخت‌تر (B2 و بالاتر) در کل قسمت.

متن گفتار

ابتدای این قسمت. متن کامل در پلیر است.

0:00

Retrieval has become one of the central problems in building useful AI systems. The standard approach to grounding a model in one's own data has been Retrieval Augmented Generation, or RAG, where an agent searches a vector database for relevant information at query time. That pattern works, but it has limitations, such as retrieving information that's not truly

0:23

relevant, repeating the same lookup work on every query, and producing inconsistent answers to the same question. Pinecone is a vector database that's widely used to power semantic search and RAG at scale. The team recently developed Nexus, which is a knowledge engine that reframes context as a first-class, pre-computed asset rather than something reassembled on

0:46

the fly. The approach borrows the database concept of a materialized view and curates context once into a versioned artifact that carries its own schema, metadata, permissions, and lineage. Jorg Schad is the VP of Engineering at Pinecone. In this episode, he joins Kevin Ball for an in-depth conversation about the frontier of retrieval technology. They discuss

این ابتدای قسمت بود. بقیه‌ی قسمت (55 دقیقه) در پلیر است: همه‌ی کلمه‌ها قابل کلیک، با ترجمه، ذخیره‌ی کلمه و فلش‌کارت.

ادامه در پلیر

به‌صورت خودکار از صوت تولید شده و ممکن است خطا داشته باشد. صوت متعلق به ناشر آن است و از فید خودش پخش می‌شود. صاحبان حق می‌توانند درخواست حذف بدهند — سیاست کپی‌رایت و حذف محتوا