Ingestia și structurarea documentelor

Lectură estimată: 4 minute

Estimare pentru text, la un ritm de 180 de cuvinte pe minut. Timpul pentru analizarea codului, exerciții și proiecte se adaugă separat și depinde de ritmul tău.

Calitatea răspunsurilor unui asistent depinde direct de calitatea bazei de cunoștințe și de cum e structurată pentru recuperare. „Aruncă toate PDF-urile într-un sistem" produce răspunsuri slabe. Documentele trebuie curățate, împărțite în bucăți potrivite și menținute la zi.

Ce intră în baza de cunoștințe

Doar informație corectă, actuală și pe care ai voie să o expui. FAQ-uri, politici de retur/livrare/garanție, fișe de produs, proceduri, întrebări frecvente cu răspunsuri aprobate. NU: ciorne, documente interne confidențiale, informație contradictorie.

Împărțirea în bucăți (chunking)

Documentele lungi se taie în fragmente de câteva sute de cuvinte, fiecare cu sens de sine stătător. Un fragment bun răspunde singur la o întrebare. Taie pe secțiuni logice, nu la număr fix de caractere în mijlocul unei fraze. Păstrează titlul secțiunii cu fragmentul, pentru context.

Metadate

Fiecare fragment ar trebui să știe: din ce document vine, ce secțiune, data ultimei actualizări, eventual pentru ce categorie de întrebări e relevant. Metadatele permit filtrare („răspunde doar din politici curente") și citarea sursei.

Întreținerea

O bază de cunoștințe se învechește. Când se schimbă o politică sau un preț, fragmentul trebuie actualizat imediat — altfel asistentul dă informație greșită cu încredere. Numește un responsabil și o rutină de revizuire.

Un fragment bine făcut

Titlu: „Politica de retur — termen". Conținut: „Poți returna un produs în 30 de zile de la primire, fără să dai un motiv. Produsul trebuie să fie nefolosit și în ambalajul original. Costul returului îl suportă clientul, cu excepția cazului în care produsul a fost defect." Metadate: sursă=politica-retur.md, actualizat=2026-01-10.

Exercițiu

Ia un document de-al tău (o politică, un FAQ). Taie-l manual în fragmente cu sens de sine stătător. Verifică: fiecare fragment răspunde singur la o întrebare?

Greșeli frecvente

Bagi în bază documente contradictorii sau învechite.
Tai fragmentele la număr fix de caractere, rupând fraze.
Fragmentele n-au metadate, deci nu poți cita sursa sau filtra.
Nu ai proces de actualizare — informația se învechește tăcut.

De reținut

Doar informație corectă, actuală, publică.
Fragmente de câteva sute de cuvinte, fiecare cu sens de sine stătător.
Metadate: sursă, secțiune, dată, categorie.
Actualizare imediată la orice schimbare de politică sau preț.

Pe scurt

Baza de cunoștințe e fundația. Curată, bine împărțită, cu metadate și menținută la zi — altfel asistentul repetă informație greșită convingător.

Documente versionate și fragmente care păstrează contextul

La ingestie, păstrează titlul, data, versiunea și nivelul de acces al documentului. Fragmentarea nu trebuie să separe o regulă de excepția ei. Dacă o politică spune „retur în condițiile X” și următorul paragraf descrie o excludere, cele două trebuie recuperate într-un context suficient. Documentele retrase nu trebuie folosite ca surse actuale. O indexare reușită tehnic nu garantează că informația este corectă sau completă.

Exemplu de lucru

Document: politica-demo; versiune 3; public; valabil de la data declarată.
Fragment: regulă + condiții + excepții apropiate.
Metadate: sursă, secțiune, versiune, acces.
Test: întrebare despre excepție; întrebare fără răspuns în document.
Actualizare: retrage versiunea 2 din căutarea curentă, păstrează istoricul separat.

Interpretarea rezultatului

Un fragment fără excepție poate produce un răspuns înșelător chiar dacă este citat corect. Verifică recuperarea pe întrebări reale și pe formulări diferite. Pentru documente private, filtrul de acces trebuie aplicat înainte ca textul să ajungă în contextul modelului.

Exercițiu de consolidare

Construiește două fragmente care ar fi periculoase dacă sunt separate și explică regula de grupare.

Aplicație practică

Sarcina

Împarte cinci documente fictive în fragmente cu titlu și sursă.

Rezolvare orientativă și verificare

Păstrează versiunea, data și drepturile de acces. Un fragment fără proveniență nu poate susține un răspuns citabil.

Greșeală de evitat

Textul expirat trebuie exclus sau marcat înainte de căutare.

Documentație și surse

Prezentarea publică a proiectului AsistAi — GabrielDev
Prompting și verificarea răspunsurilor — OpenAI
OWASP Top 10 — OWASP