Welke functies maken een betrouwbare documentversieselectie in RAG mogelijk?

Eva Wong

IceWhale author

Eva Wong is de Technisch Schrijver en en vaste knutselaar bij ZimaSpace. Een levenslange geek met een passie voor homelabs en open-source software, zij is gespecialiseerd in het vertalen van complexe technische concepten naar toegankelijke, praktische handleidingen. Eva gelooft dat zelf-hosting leuk moet zijn, niet intimiderend. Met haar tutorials stelt ze de community in staat om hardware-setup te ontrafelen, van het bouwen van hun eerste NAS tot het beheersen van Docker-containers.

What Features Enable Reliable Document Version Selection in RAG? - Zima Store Online

Betrouwbare versieselectie vereist dat documentidentiteit en temporele geldigheid als retrievalbeperkingen worden behandeld, in plaats van te hopen dat vectorgelijkenis automatisch de nieuwste tekst prefereert.

Een NAS kan meerdere handleidingen van apparaten, verzekeringspolissen of bewerkte gezinsplannen bewaren waarvan de formulering vrijwel identiek is. Dense search kan een verouderde revisie hoger rangschikken dan de huidige, omdat relevantie en geldigheid verschillende signalen zijn. Een versie-bewuste pipeline slaat onveranderlijke revisies op, modelleert vervanging en ingangsdatums, interpreteert de tijd van de query en citeert de exacte gebruikte revisie.

Stabiele bron- en revisie-ID's scheiden identiteit van locatie

Eén logisch document behoudt een stabiele bron-ID, terwijl elke vastgelegde revisie een onveranderlijke revisie-ID, contenthash, opnametijd, geldigheidsinterval, levenscyclusstatus en padkoppeling krijgt. Chunks nemen beide identificatiemiddelen over in plaats van een vaag label ‘latest’ te dragen.

Het versie-bewuste retrieval-framework modelleert expliciet versiesequenties, inhoudsgrenzen en wijzigingen en rapporteert grote verbeteringen ten opzichte van naïeve RAG bij versiegevoelige vragen. Het ontwerp laat zien waarom vergelijkbare tekst structurele versie-informatie vereist. Dit onderscheid blijft zichtbaar tijdens latere tests in huishoudelijke omgevingen.

Vervangingskoppelingen geven aan of een revisie een eerder document volledig vervangt, alleen bepaalde secties wijzigt of geldig blijft voor een andere productversie. Alleen de wijzigingstijd van een pad kan die relaties niet weergeven en kan eerder het kopiëren dan de daadwerkelijke geldigheid weerspiegelen.

Querytijd en toepasbaarheid moeten onderdeel worden van retrieval

Een query kan vragen naar de huidige regel, een regel zoals die vorig jaar gold of instructies voor een specifieke firmwareversie. De queryprocessor haalt expliciete en impliciete temporele beperkingen plus product-, jurisdictie-, eigenaar- en levenscycluscontext eruit voordat kandidaten worden gerangschikt.

Een onderzoek naar de dataset temporal retrieval constraints legt uit hoe semantische matching verouderd bewijs kan ophalen wanneer vragen temporele beperkingen bevatten. Het ondersteunt het afzonderlijk evalueren van tijdgevoelige retrieval en statische feitelijke herinnering. Het tussenresultaat moet inspecteerbaar blijven voordat automatisering vervolgacties uitvoert.

Filtering kan geschikte revisies selecteren vóór de vectorzoekopdracht, terwijl temporele scoring overlappende kandidaten daarna opnieuw kan rangschikken. Het systeem mag niet altijd het nieuwste bestand bevoordelen: historische vragen vereisen de revisie die op het gevraagde moment geldig was.

Overlappende wijzigingen vereisen conflict- en herkomstlogica

Sommige updates vervangen één clausule terwijl de rest van het document van kracht blijft. Door elke momentopname in onafhankelijke chunks op te splitsen ontstaan veel bijna-duplicaten, waardoor een oude gewijzigde clausule kan worden gecombineerd met actuele, ongewijzigde inhoud. Versieherkomst vereist grenzen en geldigheid op sectieniveau.

De aanpak voor semantische-temporele retrieval combineert semantische en temporele relevantie voor overlappende evoluerende documenten en rapporteert verbeteringen in nDCG@10. Dit toont aan waarom tijd niet slechts een metadata-tiebreaker is wanneer wijzigingen semantisch vergelijkbaar blijven. Die grens moet afzonderlijk worden gemeten onder realistische bedrijfsomstandigheden.

De foutgrens is onbekende toepasbaarheid. Ontbrekende ingangsdatums, dubbelzinnige bestandsnamen of conflicterende actieve revisies moeten leiden tot verduidelijking of onthouding, niet tot een automatische keuze voor ‘latest’. Bewaar de concurrerende kandidaten en hun metadata, zodat een beoordelaar het bronrecord kan vaststellen.

-15% OFF

ZimaBoard 2 - Mini-thuisserver voor jouw grote idee

Single board computer zimaboard2

Test vragen over huidige, historische en ambigue versies

Maak een testset met volledige vervangingen, gedeeltelijke wijzigingen, revisies met terugwerkende datum, dubbele kopieën, hernoemde bestanden, concepten, gearchiveerde versies en één document zonder ingangsdatum. Label voor elke vraag de juiste revisie of de verwachte onthouding. De praktische consequentie wordt zichtbaar wanneer meerdere bronnen concurreren om beperkte context.

Vergelijk de selectie met de herkomstketen in bronherkomst van antwoorden. Meet recall van geschikte versies, het percentage verkeerde versies, antwoorden met gemengde versies, citatieresolutie en de verwerking van expliciete datums, relatieve datums, firmwareversies en vragen over de huidige toestand. Deze afhankelijkheid moet in de uiteindelijke interface expliciet blijven.

Slaag alleen wanneer elk antwoord de toepasselijke onveranderlijke revisie citeert en ambigue gevallen onopgelost blijven. Als het toevoegen van recentheid huidige vragen verbetert maar historische vragen schaadt, scheid dan toepasbaarheidsfiltering van algemene rangschikking in plaats van één gewicht voor actualiteit te verhogen.