Cara Membangun Chatbot RAG pada tahun 2025

Chatbots mengubah cara bisnis berinteraksi dengan pengguna, tetapi masih banyak yang meleset dalam hal konteks dan akurasi. Di sinilah Retrieval-Augmented Generation (RAG ) masuk.

RAG menggabungkan kekuatan pengambilan pengetahuan dan pembuatan bahasa, memungkinkan chatbot untuk mengakses data eksternal dan memberikan jawaban yang tepat dan sesuai konteks. Hasilnya? Lebih sedikit ketidakakuratan, lebih sedikit sumber daya yang terbuang, dan respons yang lebih andal.

Kami telah menggunakan lebih dari 750.000 chatbot selama beberapa tahun terakhir - dan kami bahkan memiliki proses RAG canggih yang dipesan lebih dahulu untuk mereka.

Jadi dalam panduan ini, saya akan memandu Anda melalui langkah-langkah untuk membuat chatbot bertenaga RAG Anda sendiri - mulai dari menentukan perilakunya hingga menerapkannya dengan mulus. ‍

Aplikasi dari RAG Chatbots

Apakah Anda sedang mengambil langkah pertama untuk mengintegrasikan chatbot bertenaga RAG ke dalam produk, proyek, atau hobi Anda? Mari jelajahi beberapa aplikasi yang lebih luas yang dapat ditingkatkan dengan chatbot berpengetahuan luas yang disesuaikan dengan kebutuhan Anda.

‍

‍

Membuat chatbot RAG dengan Botpress adalah proses yang mudah. Berikut ini panduan langkah demi langkah untuk membantu Anda memulai.

Untuk kepentingan tutorial ini, kita akan membuat chatbot Book Trivia. Setelah dibuat, chatbot dapat digunakan di beberapa saluran menggunakan integrasi yang relevan.

Langkah 1: Siapkan proyek Anda

Mulailah dengan membuat proyek baru di Botpress. Setelah masuk, pilih templat "Mulai dari Awal" untuk kustomisasi dan fleksibilitas yang lengkap.

Langkah 2: Tuliskan Set Instruksi yang Jelas

Instruksi sangat penting untuk perilaku chatbot RAG Anda dan dapat ditambahkan dengan mengedit bagian 'Instruksi' di Studio. Tentukan bagaimana chatbot harus mengambil dan menyajikan informasi.

Saat menulis set instruksi, bahaslah hal-hal berikut ini:

• Tentukan bahwa bot harus memprioritaskan sumber pengetahuan eksternal di atas data model internal.
• Buatlah garis besar nada dan gaya respons, paling baik dilakukan melalui contoh percakapan dan balasan.

Berikut adalah contoh instruksi yang menguraikan perilaku chatbot 'FAQ Situs Web Pakaian':

Misi
Membantu pengguna dalam mengeksplorasi mode berkelanjutan, memahami bahan yang ramah lingkungan, dan membuat pilihan berdasarkan informasi tentang pakaian yang bersumber dari sumber yang etis.

Ciri-ciri Kepribadian:
- Berpengetahuan luas: Memberikan jawaban yang akurat dari basis pengetahuan.
- Ramah: Hangat dan mudah didekati.
- Menginspirasi: Mendorong pilihan yang berkelanjutan.
- Transparan: Hanya membagikan informasi yang telah divalidasi.

Kemampuan:
- Mendidik: Menjelaskan prinsip-prinsip fesyen berkelanjutan, bahan ramah lingkungan, dan sertifikasi dengan menggunakan basis pengetahuan.
- Membantu: Merekomendasikan produk dan memberikan informasi secara ketat dari data yang disetujui.
- Menginspirasi: Menyoroti manfaat fesyen etis tanpa opini pribadi.
- Melibatkan: Menanggapi pertanyaan dengan jelas dan sopan, mengarahkan pengguna ke bagian dukungan jika jawaban tidak tersedia.

Nada:
- Positif, profesional, dan bebas jargon.
- Hormat dan berempati untuk memastikan pengalaman yang mendukung.

Aturan Perilaku:
- Gunakan hanya basis pengetahuan yang disediakan (misalnya, Wikipedia, dokumen Green Threads).
- Jika jawaban tidak tersedia, beri tahu pengguna dan sarankan untuk berkonsultasi dengan dukungan pelanggan Green Threads.

Contoh Kebijakan Tanggapan:
Pertanyaan"Apa yang dimaksud dengan kapas organik?"
Jawaban: "Kapas organik dibudidayakan tanpa pestisida atau pupuk sintetis yang berbahaya, sehingga mengurangi dampak terhadap lingkungan."

Pertanyaan: "Dapatkah Anda memberi tahu saya kebijakan pengembalian dana Anda?"
Jawaban: "Saya tidak memiliki informasi tersebut. Silakan kunjungi situs web kami atau hubungi bagian dukungan untuk mendapatkan bantuan."

Langkah 3: Tambahkan Sumber Pengetahuan

Untuk membuat chatbot RAG Anda efektif, hubungkan dengan pengetahuan eksternal yang relevan, seperti dokumen PDF, URL situs web, atau API. Inilah cara Anda dapat melakukannya:

1. Buka bagian "Basis Pengetahuan" di Botpress.
2. Unggah dokumen atau tambahkan URL situs web sebagai sumber.
3. Botpress mengindeks konten secara otomatis, mengelompokkannya menjadi potongan-potongan pengetahuan yang lebih kecil dan dapat diambil.

Langkah 4: Sesuaikan Identitas Chatbot

Personalisasikan nama dan kepribadian Chatbot Anda agar sesuai dengan kasus penggunaan Anda. Langkah penting ini memastikan chatbot Anda tidak salah mengidentifikasi dirinya sebagai ChatGPT atau Claude.

1. Buka "Detail Bot"
2. Klik 'Buat' untuk membuat identitas untuk chatbot Anda berdasarkan instruksi dan datanya, atau tulis secara manual.

Langkah 5: Menerapkan Chatbot Anda

Chatbot sekarang siap untuk dipratinjau dan dibagikan. Berikut ini cara Anda dapat mengakses dan mengujinya:

1. Di Botpress Studio, klik "Publikasikan" untuk menyebarkan Chatbot RAG Anda.
2. Salin tautannya dan mulailah berbicara!

Langkah 6: Sesuaikan Penampilan Chatbot Anda

Ingin menyesuaikan Webchat Anda lebih lanjut agar selaras dengan merek dan suara Anda? Cukup klik "Sesuaikan Webchat" dari "Bagikan".

Bangun Chatbot RAG Hari Ini

Chatbots yang didukung RAG mengubah cara bisnis memberikan jawaban yang akurat dan real-time, mengoptimalkan alur kerja, dan meningkatkan pengalaman pengguna. Dengan alat yang disediakan oleh Botpress, Anda dapat membuat chatbot cerdas dengan mudah.

Dengan unggahan basis pengetahuan sekali klik dan integrasi tanpa batas dengan platform seperti Slack, WhatsApp, Notion, dan banyak lagi, Anda dapat menggunakan chatbot RAG yang kuat dalam hitungan menit menggunakan Botpress.

Mulailah membuat chatbot yang lebih cerdas dan sadar konteks hari ini - gratis.

Hal-hal yang sering ditanyakan

1. Apa perbedaan antara chatbot RAG dan chatbot tradisional?

Perbedaan antara chatbot RAG dan chatbot tradisional adalah bahwa chatbot tradisional bergantung pada respons statis atau model yang telah dilatih sebelumnya, sedangkan chatbot RAG (retrieval-augmented generation) menarik data yang relevan dari basis pengetahuan eksternal dan menggunakannya untuk menghasilkan respons yang lebih akurat secara real time.

2. Bagaimana sistem RAG memutuskan pengetahuan apa yang akan diambil vs. apa yang akan dihasilkan?

Sistem RAG menggunakan retriever untuk mengidentifikasi dokumen atau potongan data yang paling relevan berdasarkan pertanyaan pengguna, kemudian meneruskan informasi tersebut ke model bahasa yang menghasilkan respons yang didasarkan pada konten yang diambil, daripada hanya mengandalkan pelatihan sebelumnya.

3. Dapatkah saya menggunakan RAG tanpa mengunggah sumber pengetahuan eksternal?

Secara teknis, Anda dapat menggunakan RAG tanpa mengunggah sumber pengetahuan eksternal, tetapi hal ini akan menghilangkan keunggulan utamanya. RAG dirancang untuk melengkapi model bahasa dengan data spesifik domain atau data waktu nyata, sehingga menghilangkan pengetahuan eksternal akan mengalahkan tujuannya.

4. Apakah RAG cocok untuk aplikasi multibahasa?

Ya, RAG cocok untuk aplikasi multibahasa selama model bahasa dan dokumen yang diambil mendukung bahasa target; banyak LLMs modern dan basis data vektor yang mampu menangani kueri dan konten multibahasa.

5. Bagaimana cara mengukur keakuratan dan relevansi pengetahuan yang diambil?

Anda dapat mengukur keakuratan dan relevansi pengetahuan yang diambil dengan mencatat dokumen mana yang diambil, membandingkan jawaban yang dihasilkan dengan kebenaran dasar atau umpan balik pakar, dan melacak metrik seperti ketepatan respons, kepuasan pengguna, dan tingkat klik-tayang atau tindak lanjut.