# chunks
range(0, len(words), size - overlap)
# cosine similarity on unit vectors
scores = matrix @ query
top = np.argsort(-scores)[:k]
# reciprocal rank fusion
score[doc] += 1 / (60 + rank)
# metrics
recall = len(set(ranked[:k]) & relevant) / len(relevant)
mrr_item = 1 / first_relevant_rank
# safe flow
hits = [d for d in search(query, allowed_for(user)) if d.score >= threshold]
if not hits: return "V podkladech to není."
data = validate(json.loads(llm(prompt)))Tahák · Python · Neuronové sítě a moderní AI
RAG a práce s LLM v aplikaci
Postavíš vyhledávání v dokumentech, odpovědi se zdroji, měření kvality a ochranu aplikace před nespolehlivým výstupem modelu.