Passagen werden abgerufen

Sie können die RetrieveAPI als Retriever für Retrieval Augmented Generation (RAG) -Systeme verwenden.

RAG-Systeme verwenden generative künstliche Intelligenz, um Anwendungen zur Beantwortung von Fragen zu erstellen. RAG-Systeme bestehen aus einem Retriever und großen Sprachmodellen (LLM). Bei einer Anfrage identifiziert der Retriever die relevantesten Textblöcke aus einem Korpus von Dokumenten und leitet sie an das LLM weiter, um die nützlichste Antwort zu erhalten. Anschließend analysiert das LLM die relevanten Textblöcke oder Passagen und generiert eine umfassende Antwort auf die Anfrage.

Die Retrieve API betrachtet Textblöcke oder Auszüge, die als Passagen bezeichnet werden, und gibt die wichtigsten Passagen zurück, die für die Abfrage am relevantesten sind.

Wie die QueryAPI sucht auch die Retrieve API mithilfe der semantischen Suche nach relevanten Informationen. Die semantische Suche berücksichtigt den Kontext der Suchabfrage sowie alle verfügbaren Informationen aus den indizierten Dokumenten. Standardmäßig gibt die Query API jedoch nur Auszüge von bis zu 100 Stichwörtern zurück. Mit der Retrieve API können Sie längere Passagen mit bis zu 200 Token-Wörtern und bis zu 100 semantisch relevanten Passagen abrufen. Dies schließt keine Antworten vom Typ Frage-Antwort oder häufig gestellte Fragen aus Ihrem Index ein. Bei den Passagen handelt es sich um Textauszüge, die semantisch aus mehreren Dokumenten und mehreren Teilen desselben Dokuments extrahiert werden können. Wenn Ihre Dokumente im Extremfall mithilfe der Retrieve API keine Passagen enthalten, können Sie alternativ die Query API und ihre Antworttypen verwenden.

Sie können mit der Retrieve API auch Folgendes tun:

• Boosting auf Indexebene überschreiben

• Filtern Sie auf der Grundlage von Dokumentfeldern oder Attributen

• Filtern Sie basierend auf dem Benutzer- oder Gruppenzugriff auf Dokumente

• Sehen Sie sich den Bereich mit dem Konfidenzwert für ein abgerufenes Passageergebnis an. Das Konfidenzfeld bietet eine relative Rangfolge, die angibt, wie sicher Amazon Kendra es ist, dass die Antwort für die Abfrage relevant ist.

  Anmerkung

  Buckets mit Konfidenzwerten sind derzeit nur für Englisch verfügbar.

Sie können der Antwort auch bestimmte Felder hinzufügen, die möglicherweise nützliche Zusatzinformationen enthalten.

Die Retrieve API unterstützt derzeit nicht alle von der Query API unterstützten Funktionen. Die folgenden Funktionen werden nicht unterstützt: Abfragen mit erweiterter Abfragesyntax, vorgeschlagene Rechtschreibkorrekturen für Abfragen, Facettierung, Abfragevorschläge zur automatischen Vervollständigung von Suchanfragen und inkrementelles Lernen. Beachten Sie, dass nicht alle Funktionen für die API gelten. Retrieve Alle future Versionen der Retrieve API werden in diesem Handbuch dokumentiert.

Die Retrieve API teilt sich die Anzahl der Abfragekapazitätseinheiten, die Sie für Ihren Index festgelegt haben. Weitere Informationen darüber, was in einer einzelnen Kapazitätseinheit enthalten ist, und zur Standard-Basiskapazität für einen Index finden Sie unter Kapazität anpassen.

Anmerkung

Sie können keine Kapazität hinzufügen, wenn Sie die Amazon Kendra Developer Edition verwenden. Sie können Kapazität nur hinzufügen, wenn Sie die Amazon Kendra Enterprise Edition verwenden. Weitere Informationen darüber, was in der Developer Edition und der Enterprise Edition enthalten ist, finden Sie unter Amazon Kendra Editionen.

Im Folgenden finden Sie ein Beispiel für die Verwendung der Retrieve API, um die 100 relevantesten Passagen aus Dokumenten in einem Index für die Abfrage abzurufen "how does amazon kendra work?"

Python

import boto3
import pprint

kendra = boto3.client("kendra")

# Provide the index ID
index_id = "index-id"
# Provide the query text
query = "how does amazon kendra work?"
# You can retrieve up to 100 relevant passages
# You can paginate 100 passages across 10 pages, for example
page_size = 10
page_number = 10

result = kendra.retrieve(
        IndexId = index_id,
        QueryText = query,
        PageSize = page_size,
        PageNumber = page_number)

print("\nRetrieved passage results for query: " + query + "\n")        

for retrieve_result in result["ResultItems"]:

    print("-------------------")
    print("Title: " + str(retrieve_result["DocumentTitle"]))
    print("URI: " + str(retrieve_result["DocumentURI"]))
    print("Passage content: " + str(retrieve_result["Content"]))
    print("------------------\n\n")

Java

package com.amazonaws.kendra;

import software.amazon.awssdk.services.kendra.KendraClient;
import software.amazon.awssdk.services.kendra.model.RetrieveRequest;
import software.amazon.awssdk.services.kendra.model.RetrieveResult;
import software.amazon.awssdk.services.kendra.model.RetrieveResultItem;

public class RetrievePassageExample {
    public static void main(String[] args) {
        KendraClient kendra = KendraClient.builder().build();
        
        String indxId = "index-id";
        String query = "how does amazon kendra work?";
        Integer pgSize = 10;
        Integer pgNumber = 10;

        RetrieveRequest retrieveRequest = retrieveRequest
            .builder()
            .indexId(indxId)
            .queryText(query)
            .pageSize(pgSize)
            .pageNumber(pgNumber)
            .build();

        RetrieveResult retrieveResult = kendra.retrieve(retrieveRequest);

        System.out.println(String.format("\nRetrieved passage results for query: %s", query));
        for(RetrieveResultItem item: retrieveResult.resultItems()) {
            System.out.println("----------------------");
            System.out.println(String.format("Title: %s", documentTitle));
            System.out.println(String.format("URI: %s", documentURI));
            System.out.println(String.format("Passage content: %s", content));
            System.out.println("-----------------------\n");
        }
    }
}