# RAG-ஐ இரண்டாவது மூளையாகப் பயன்படுத்துதல்: சிறந்த தீர்வு இல்லை, பொருத்தமான சூழ்நிலை மட்டுமே கடந்த இரண்டு ஆண்டுகளில், பெரிய மாடல்களில் பணிபுரியும் அனைத்து குழுக்களும் ஒரே காரியத்தைச் செய்து வருகின்றன: தங்கள் மாடல்களுக்கு RAG-ஐச் சேர்ப்பது. காரணம் நேரடியானது. பெரிய மாடல்களுக்கு இரண்டு உள்ளார்ந்த குறைபாடுகள் உள்ளன - அறிவுக்கு காலாவதி தேதி உண்டு, அவை பொய்யான தகவல்களை உருவாக்கும். RAG இந்த இரண்டு பிரச்சினைகளையும் ஒரே நேரத்தில் தீர்க்கும் என்று எதிர்பார்க்கப்படுகிறது: அதற்கு சமீபத்திய வெளிப்புற தரவுகளைக் கொடுத்து, அதன் அடிப்படையில் பதிலளிக்கச் செய்வது. இதன் விளைவாக ஒரு பொதுவான தவறான புரிதல் உருவானது: **RAG என்பது ஒரு தொழில்நுட்பம். சரியானதைத் தேர்ந்தெடுத்தால், வெற்றி.** ஆனால் உண்மை என்னவென்றால்: RAG என்பது ஒரு தொழில்நுட்பம் அல்ல. **RAG என்பது ஒரு வகை கட்டமைப்பின் பொதுப் பெயர்.** வெவ்வேறு சூழ்நிலைகளுக்கு முற்றிலும் வேறுபட்ட கட்டமைப்புத் தேர்வுகள் தேவை. பெரிய மாடல்கள் ஒவ்வொன்றும் வெவ்வேறு பயன்பாடுகளைக் கொண்டிருப்பது போல - 4B இலகுரக மாடல் பயனற்றது அல்ல, அது சாதன முனை அனுமானம், குறைந்த தாமதம், குறைந்த செலவு சூழ்நிலைகளில் நூறு பில்லியன் அளவுரு மாடல்களை விட மிகவும் பயனுள்ளதாக இருக்கும். டிரில்லியன் அளவுரு மாடல்கள் அனுமானத்தில் வலுவானவை, ஆனால் நிறுவனங்களால் பயன்படுத்த முடியாது. ஒவ்வொன்றுக்கும் அதன் இடம் உண்டு. RAG தீர்வுகளுக்கிடையேயும் இதே வேறுபாடு உள்ளது. எந்த தீர்வும் முற்றிலும் சிறந்தது அல்ல. தற்போதைய சூழ்நிலைக்கு மிகவும் பொருத்தமானது மட்டுமே உள்ளது. **இந்தக் கட்டுரை சொல்ல விரும்புவது: "குறிப்புகள் + ஆவணங்கள் + RAG" என்ற குறிப்பிட்ட சூழ்நிலையில் - அதாவது AI-ஐப் பயன்படுத்தி இரண்டாவது மூளையை உருவாக்குதல் - எந்த தீர்வு சிறந்தது, ஏன் என்பதுதான்.** --- ## ஒன்று: 2025-ல் RAG-இன் உண்மையான சவால்கள் என்ன RAG-இன் டெமோ ஒரு மதியம் போதும். ஆனால் உற்பத்தி சூழலில் வெளிப்படும் பிரச்சினைகள் மூன்று பரிமாணங்களில் குவிந்துள்ளன: ### குறியீடு ஒரு முறை செய்யும் வேலை அல்ல, நீண்டகால சுமை "அனைத்து ஆவணங்களையும் வெக்டர் தரவுத்தளத்தில் உட்பொதிக்கவும்" என்பது எளிமையாகத் தெரிகிறது. ஆனால் நடைமுறையில்: மாடல் மேம்படுத்தப்படும்போது, 10 மில்லியன் ஆவணங்களை மீண்டும் செயலாக்க சுமார் 5 பில்லியன் டோக்கன்கள் தேவை, இடைமுக கட்டணம் மட்டும் $300-650. ஆவணங்கள் நீக்கப்படும்போது, வெக்டர் தரவுத்தளத்தில் எஞ்சியிருக்கும் காலாவதியான உள்ளீடுகள் பல நாட்கள் சுத்தம் செய்யப்படாமல் இருக்கலாம். அனுமதிகள் மாறும்போது, வெளியேறிய ஊழியரின் ஆவணங்களின் குறியீடு உடனடியாக புதுப்பிக்கப்படாவிட்டால், பல மணிநேர பாதுகாப்பு இடைவெளி உள்ளது. தள வரம்புகள்: Slack, Notion போன்ற கருவிகள் ஏற்கனவே மூன்றாம் தரப்பு மொத்த தரவு சேகரிப்பைக் கட்டுப்படுத்துகின்றன. ### தாமதம் ஒரு பல்நிலை சங்கிலி ஒவ்வொரு வினவல் கோரிக்கையும் கடந்து செல்கிறது: கேள்வியைப் புரிந்துகொள்ளுதல் → வெக்டர் தேடல் → முடிவுகளை வரிசைப்படுத்துதல் → சூழலை இணைத்தல் → AI பதில் உருவாக்குதல். எந்த நிலை மெதுவாக இருந்தாலும், மொத்தமும் மெதுவாகிறது. LLM அனுமானம் மொத்த நேரத்தின் 60-80% ஆகும். ### செலவு தரவு அளவுடன் அதிகரிக்கிறது அதிக ஆவணங்கள், அதிக செயலாக்கம். மூன்று நிலைகளும் விரிவடைகின்றன. **பொதுவான மூல காரணம்: வினவலைத் தொடங்குவதற்கு முன் ஆவணங்களை குறியீடாக மாற்ற வேண்டும்.** இதுதான் "தேடல் மையமாக்கப்பட்ட" RAG. --- ## இரண்டு: இரண்டு முக்கிய தீர்வுகள் ### தீர்வு ஒன்று: வெக்டர் தரவுத்தளம் + நில��யான குறியீடு ஆவணங்கள் முதலில் துண்டிக்கப்பட்டு, மாற்றப்பட்டு, வெக்டர் தரவுத்தளத்தில் சேமிக்கப்படும். வினவும்போது தரவுத்தளத்திலிருந்து மிகவும் ஒத்த உள்ளடக்கத்தைத் தேடும். **சிறப்பு:** பாரிய ஆவணங்கள், நிலையான உள்ளடக்கம். **பலவீனம்:** அடிக்கடி மாறும் உள்ளடக்கம், ஒவ்வொரு திருத்தத்திற்கும் குறியீட்டை மீண்டும் உருவாக்க வேண்டும். ### தீர்வு இரண்டு: நிகழ்நேர தரவு ஓட்டம் + நிகழ்வு இயக்கி தரவு மாற்றம் தூண்டுதலை ஏற்படுத்துகிறது, குறியீடு நிகழ்நேரத்தில் ஒத்திசைகிறது. **சிறப்பு:** வினாடி நிலை புத்துணர்ச்சி. **பலவீனம்:** உள்கட்டமைப்பு சிக்கலானது, கேச் அடுக்கு, நிகழ்வு பொறிமுறை, இரட்டை சேமிப்பு அடுக்கு தேவை. ### ஒரு வகை சூழ்நிலை, இரண்டு வழிகளாலும் சேவை செய்ய முடியாது ஒரு வழக்கறிஞர் வழக்கு சுருக்கத்தை எழுதுகிறார். 200 வழக்கு குறிப்புகள், 50 சட்ட ஆவணங்கள். அவர் எழுதும்போதே தேடுகிறார் - "முன்பு போட்டியில்லா ஒப்பந்தம் பற்றிய வழக்கில் எப்படி வாதிட்டோம்?" ஒரு பகுதியை எழுதிய பிறகு உள்ளடக்கத்தை மாற்றுகிறார், சில வினாடிகளுக்குப் பிறகு மீண்டும் தேடுகிறார். புதிய உள்ளடக்கம் ஏற்கனவே தேடல் முடிவுகளில் இருக்க வேண்டும். இந்த சூழ்நிலையின் பண்புகள்: **உள்ளடக்கம் அடிக்கடி மாறுகிறது** (நிலையான தரவுத்தளம் அல்ல), **தேடலும் படைப்பும் பின்னிப் பிணைந்துள்ளன** (எழுதும்போதே தேடுதல்), **பயனர் சாதாரண நபர்** (குறியீடு எழுத மாட்டார், வெக்டர் தரவுத்தளம் புரியாது), **தரவு மற்றும் தனியுரிமை சிவப்புக் கோடு**. **இது "தொழில்நுட்ப சிக்கல் அதிகம்" என்ற தேவை அல்ல. இது "தொழில்நுட்ப தீர்வு இவ்வளவு கனமாக இருக்கக் கூடாது" என்ற தேவை.** --- ## மூன்று: Search-centric-இலிருந்து Memory-centric-க்கு முக்கிய தீர்வுகள் **அறிவுத் தளம் நிலையானது** என்று கருதுகின்றன. வினவல் ஒரு முறை செய்யும் தேடல் செ���லாகும். இந்த முன்னுதாரணம் **தேடல் மையமாக்கப்பட்ட RAG (Search-centric RAG)** என்று அழைக்கப்படுகிறது. மாதிரி: அறிவுத் தளம் = ஆவணங்களின் தொகுப்பு, RAG = அறிவார்ந்த தேடல். ஆனால் இரண்டாவது மூளையை உருவாக்க மற்றொரு முன்னுதாரணம் தேவை. நீங்கள் ஒவ்வொரு நாளும் குறிப்புகளை எழுதுகிறீர்கள், மாற்றுகிறீர்கள், நீக்குகிறீர்கள், புதிய ஆவணங்களை இறக்குமதி செய்கிறீர்கள். அறிவு தொடர்ந்து வளர்ந்து, உருவாகிறது. AI "தேடுவது" அல்ல, மாறாக **தொடர்ந்து உங்கள் அறிவை "நினைவில் வைத்துக் கொண்டு", தேவைப்படும்போது இயற்கையாக அழைப்பதை** நீங்கள் விரும்புகிறீர்கள். இத��தான் **நினைவக மையமாக்கப்பட்ட RAG (Memory-centric RAG)**. மாதிரி: அறிவுத் தளம் = தொடர்ந்து உருவாகும் நினைவகம், RAG = இயற்கை அணுகல். | | Search-centric RAG | Memory-centric RAG | | --- | --- | --- | | அறிவைப் பற்றிய புரிதல் | நிலையான ஆவணத் தொகுப்பு | தொடர்ந்து வளரும் நினைவகம் | | தரவு புத்துணர்ச்சி | குறியீடு புதுப்பிப்பு அதிர்வெண்ணைப் பொறுத்தது | நிகழ்நேரம், எழுதியவுடன் நினைவில் | | வினவல் முறை | செயலில் தேடல் | இயற்கை உரையாடல் | | படைப்பு உறவு | தேடலும் படைப்பும் பிரிக்கப்பட்டவை | பின்னிப் பிணைந்தவை - திருத்தம் என்பது நினைவக புதுப்பிப்பு | | பொதுவான சூழ்நிலை | நிறுவன தேடல், கொள்கை கேள்வி-பதில் | தனிப்பட்ட அறிவு மேலாண்மை, இரண்டாவது மூளை | **இரண்டு முன்னுதாரணங்களும் ஒன்றை மற்றொன்று மாற்றுவதில்லை. முற்றிலும் வேறுபட்ட சூழ்நிலைகளுக்கு சேவை செய்கின்றன.** தேடுபொறி மற்றும் தனிப்பட்ட உதவியாளர் போல. --- ## நான்கு: Memory-centric RAG-க்கு என்ன கட்டமைப்பு தேவை? கட்டமைப்பிற்கான நான்கு தேவைகள்: **1. முன் குறியீட்டைச் சார்ந்திருக்காது.** ஒவ்வொரு திருத்தத்திற்கும் குறியீட்டை மீண்டும் உருவாக்கினால், நிகழ்நேரம் சாத்தியமில்லை. தேடல் அமைப்பு ஆசிரியருடன் தரவைப் பகிர வேண்டும் - உள்ளடக்கம் மாறி���வுடன், அடுத்த வினாடி வினவல் பிரதிபலிக்கும். **2. சூழல் பயன்பாடு மிகக் குறைவு.** குறிப்புகள் தனியுரிமை தரவு, முழுமையாக பதிவேற்ற முடியாது. ஆனால் AI பதிலளிக்க தகவலைப் பார்க்க வேண்டும். சமநிலை: மிகவும் தொடர்புடைய சில வாக்கியங்களை மட்டும் அனுப்பவும், சுருக்கப்பட்ட பகுதிகள், அனுப்பியவுடன் நீக்கவும். **3. உருவாக்கும் திறனுக்கு சிறந்த கிளவுட் மாடலைப் பயன்படுத்தவும்.** பயனர் தொந்தரவு செய்ய மாட்டார், சேவையகம் குறைந்தபட்ச சூழலை மட்டுமே பார்க்கும். **4. திருத்தம் என்பது நினைவக புதுப்பிப்பு.** மாற்றம் உடனடியாக நினைவகத்தில் நுழைகிறது, அடுத்த வினவல் பிரதிபலிக்கும். --- ## ஐந்து: NoteRich-இன் Memory-centric RAG நடைமுறை ### குறிப்புகள் எப்போதும் உள்ளூரில், முழு தரவு பதிவேற்றப்படாது குறிப்புகள் உலாவி உள்ளூரில் சேமிக்கப்படுகின்றன. அனுமதிக்கப்படாது (செலவு வெடிப்பு), கூடாது (பயனர் தனியுரிமை). ### வினவும்போது குறைந்தபட்ச தேவையான சூழல் மட்டும் தேடலில் கிடைத்த மிகவும் தொடர்புடைய சில வாக்கியங்கள் மட்டும், சுருக்கப்பட்ட பகுதிகள். சேவையகம் செயலாக்கியவுடன் நீக்குகிறது - சேமிக்காது, பதிவு செய்யாது, பயிற்சி செய்யாது. **சிறிய அளவு பதிவேற்றம் தவிர்க்க முடியாதது, முழு அளவு பதிவேற்றத்தை முற்றிலும் தவிர்���்கலாம்.** ### முன் ��ுறியீடு இல்லை, திருத்தம் என்பது நினைவகம் முன்கூட்டியே வெக்டர் தரவுத்தளத்தை உருவாக்க வேண்டாம். குறிப்புகள் எழுதும்போதே தேடல் அமைப்பு ஆன்லைனில் உள்ளது. உள்ளடக்கம் மாற்றம் நிகழ்நேரத்தில் பிரதிபலிக்கும். ### பல பரிமாண மதிப்பீடு + வாக்கியம் வரை துல்லியம் + சேவையகம் நிலையற்றது சொற்பொருள் ஒற்றுமையை மட்டும் நம்ப வேண்டாம். வாக்கியம் வரை துல்லியமாக திரும்ப, நகல் நீக்கம் மற்றும் ஒருங்கிணைப்பு. பின்புறம் சேமிக்காது, பதிவு செய்யாது, பயிற்சி செய்யாது. --- ## ஆறு: இரண்டாவது மூளையின் நான்கு நிலைகள் **முதல் நிலை: நினைவகம்.** நீங்கள் எழுதிய அனைத்து குறிப்புகளையும் AI "நினைவில் வைத்திருக்கும்". **இரண்டாம் நிலை: உதவி படைப்பு.** பழைய குறிப்புகளின் அடிப்படையில் புதிய உள்ளடக்கத்தை உருவாக்குதல். **மூன்றாம் நிலை: நிகழ்நேர பின்னூட்டம்.** ஒரு பகுதியை எழுதியவுடன், AI உடனடியாக உணர்கிறது. **நான்காம் நிலை: திருத்தம் என்பது நினைவகம்.** AI உருவாக்கிய உள்ளடக்கத்தை மாற்றியமைத்தல், உடனடியாக நினைவகத்தில் நுழைகிறது. அறிவு சூழல் மூடிய வளையம். --- ## ஏழு: எல்லைகளை ஒப்புக்கொண்டு, பின்னர் கடக்கவும் ### எல்லை ஒன்று: உலாவியின் திறன் வரம்பு ஆன்லைன் பதிப்பு முழுவதுமாக உலாவியில் இயங்குகிறது. பல்லாயிரக்கணக்கான உரைப் பக்கங்கள், கோடிக்கணக்கான எழுத்துக்கள் மிகவும் மென்மையாக இயங்குகின்றன. **பல்லாயிரக்கணக்கான பக்கங்கள் வரை கவலையில்லை, அதற்கு மேல் செயல்திறன் குறையும்.** இது உலாவியின் இயற்பியல் எல்லை. ஆனால் தனிப்பட்ட பயனர்கள் இந்த எல்லையை எட்ட மாட்டார்கள். எட்டினால் - அது நிறுவன அளவிலான தேவை. ஆஃப்லைன் வரிசைப்படுத்தல் தீர்வில், அதே கட்டமைப்பு சேவையகத்தில் இயங்குகிறது, தேவைக்கேற்ப விரிவாக்கம். ### எல்லை இரண்டு: பல்முறை ஆதரவு தற்போது உரையில் கவனம். படம் OCR, ஆடியோ டிரான்ஸ்கிரிப்ஷன், வீடியோ பகுப்பாய்வு - ஆன்லைன் பதிப்பு உலாவி கணினி சக்தியால் வரையறுக்கப்பட்டுள்ளது. நிறுவன ஆஃப்லைன் வரிசைப்படுத்தல் சேவையகத்தில் தனிப்பயனாக்கப்பட்ட ஒருங்கிணைப்பு செய்யலாம். **உரை நினைவகம் அடிப்படை, பல்முறை நினைவகம் மேம்படுத்தல்.** ### எல்லை மூன்று: குறுக்கு ஆவண சிக்கலான பகுத்தறிவு பல்படி பகுத்தறிவு உருவாக்கும் நிலை பணி, தேடல் நிலை பணி அல்ல. தேடல் "கண்டுபிடிப்பதை" மட்டுமே கவனிக்கிறது, "வழித்தோன்றுவதை" அல்ல. NoteRich நுகர்வோர் நிலை மாடல்களை தரமான சூழல் மூலம் பயனுள்ள முடிவுகளைப் பெற அனுமதிக்கிறது. ### எல்லை நான்கு: முழுமையான ஆஃப்லைன் சிறந்த பெரிய மாடல்களை சாதாரண கணினியில் இயக்க முடியாது - இது இயற்பியல் விதி. ஆஃப்லைன் வரிசைப்படுத்தல் தீர்வு நிறுவனத்தின் சொந்த உள்ளூர் மாடல்களை இணைக்க முடியும். --- ## எட்டு: ஆஃப்லைன் தீர்வு சட்ட நிறுவனங்கள், மருத்துவமனைகள், நிதி நிறுவனங்கள் - தரவு உள் நெட்வொர்க்கை விட்டு வெளியேற முடியாது. ஆஃப்லைன் வரிசைப்படுத்தல் Memory-centric கட்டமைப்பை ஒற்றை கூறு பின்புறமா�� தொகுத்து, ஒரு கிளிக் வரிசைப்படுத்தல், முழுவதும் நிறுவன நெட்வொர்க்கிற்குள். --- ## ஒன்பது: இறுதி பார்வை **Search-centric RAG "கண்டுபிடிப்பதில்" உள்ள சிக்கலை தீர்க்கிறது.** Memory-centric RAG "நினைவில் வைத்திருப்பதில்" உள்ள சிக்கலை தீர்க்கிறது. இரண்டும் போட்டி அல்ல. NoteRich செய்திருப்பது, Memory-centric RAG பாதையில், சில நேரடியான தேர்வுகளை மேற்கொண்டதுதான். **வேகமான, மலிவான, தரமான.** சாதாரண மக்கள் 30 வினாடிகளில் AI-ஐப் பயன்படுத்தி அறிவை நிர்வகிக்கவும், நிறுவனங்கள் ஃபயர்வாலுக்குள் முழுமையாக நம்பவும் அனுமதிக்கிறது. **[NoteRich ஐ முயற்சிக்கவும் →](https://noterich.com/app/)** *திறந்த மூல கருத்து திட்டம் [github.com/Lisanoterich/memory-centric-rag](https://github.com/Lisanoterich/memory-centric-rag)*