Paweł Domański
1.6 KiB
1.6 KiB
title, type, tags, created, updated, sources, confidence
| title | type | tags | created | updated | sources | confidence | |||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| RAG vs LLM Knowledge Base | concept |
|
2026-05-14 | 2026-05-14 |
|
high |
RAG vs LLM Knowledge Base
Definition
Porównanie dwóch paradygmatów wykorzystania LLM do pracy z dokumentami: Retrieval-Augmented Generation (RAG) oraz persistent LLM Knowledge Base.
How It Works
- RAG: Działa w trybie "bezstanowym". Na każde pytanie wyszukuje fragmenty w surowych plikach i składa z nich odpowiedź "ad hoc".
- Knowledge Base: Działa w trybie "stanowym". Wiedza jest wstępnie przetworzona (skompilowana) do struktury Knowledge Base, a odpowiedzi są generowane na podstawie tej syntezy.
Comparison Table
| Cecha | RAG | LLM Knowledge Base |
|---|---|---|
| Dane | Surowe dokumenty | Skompilowane strony knowledge |
| Stanowość | Bezstanowy (każde zapytanie od zera) | Stanowy (wiedza kumuluje się) |
| Skala | Miliony dokumentów | 100-500 wybranych źródeł |
| Koszt | Tani ingest, drogie zapytania (tokeny) | Drogi ingest, tanie zapytania |
| Cel | Wyszukiwanie faktów (Lookup) | Synteza i zrozumienie (Synthesis) |
When To Use
- Wybierz RAG: Gdy masz ogromne, dynamicznie zmieniające się zbiory danych (np. dokumentacja techniczna firmy, akta prawne).
- Wybierz Knowledge Base: Gdy pracujesz nad konkretnym tematem badawczym, piszesz książkę lub budujesz osobistą bazę wiedzy (Second Brain).