ساخت Demo RAG آسان است؛ Production Retrieval چیز دیگری است. باگ‌ها و تصمیم‌های واقعی در ACL، Chunk ID، SQLite، HNSW، OCR، Reranking، Rollback و Evaluation را مرور می‌کنیم
در RAG سازمانی، relevance بدون authorization خطرناک است. این مقاله طراحی tenant isolation، visibility، users/groups و ACL-aware retrieval را با یک تجربه واقعی بررسی می‌کن
Prompt Injection فقط از ورودی کاربر نمی‌آید؛ سند آلوده نیز می‌تواند وارد Context شود. در این مقاله تهدیدهای RAG، hidden content، source trust و دفاع چندلایه را بررسی می‌ک
استخراج متن فقط شروع کار است. در این مقاله Pipeline آماده‌سازی PDF، DOCX، HTML، جدول و کد برای RAG را با تمرکز بر provenance، OCR، structure و chunking بررسی می‌کنیم.
نرمال‌سازی متن فارسی چگونه روی Search و RAG اثر می‌گذارد؟ تفاوت ی و ي، ک و ك، نیم‌فاصله، اعداد فارسی و Unicode را با مثال‌های عملی بررسی می‌کنیم.
Vector Search بخش مهمی از RAG است، اما برای شناسه‌های دقیق، ACL، داده‌های تازه، تنوع نتایج و ranking سازمانی کافی نیست. تجربه طراحی یک Retrieval Engine واقعی را بخوانید.
چرا Vector Search به تنهایی کافی نیست؟ در این مقاله معماری Hybrid Search با Dense Retrieval، BM25F، Exact Match و RRF را از تجربه یک موتور RAG واقعی بررسی می‌کنیم.
Semantic Chunking با استفاده از embedding و شباهت معنایی، تغییر موضوع در متن را تشخیص می‌دهد. در این مقاله منطق، مزایا، محدودیت‌ها و پیاده‌سازی عملی آن را بررسی می‌کنیم.
Chunking چگونه کیفیت RAG را تغییر می‌دهد؟ در این مقاله Recursive، Semantic، Sliding Window، Token-based، Markdown، Code، Table و Composite Chunking را مقایسه می‌کنیم.