Kolekcje
Grupuj powiązane dokumenty w kolekcje tematyczne.
Kolekcje pomagają uporządkować źródła wewnątrz repozytorium i wyznaczyć zakres wiedzy dla agentów AI używanych w rozmowie. Dobrze dobrane kolekcje znacząco poprawiają trafność odpowiedzi.
Po co kolekcje
Repozytorium może zawierać dziesiątki lub setki źródeł. Kolekcja to logiczny zbiór tych źródeł — na przykład „Polityki HR”, „Dokumentacja produktu” albo „Faktury 2025”. Dzięki kolekcjom porządkujesz wiedzę tematycznie, zamiast trzymać wszystko w jednym, płaskim worku.
- Porządek — pokrewne materiały trzymasz razem i łatwiej nimi zarządzasz.
- Zakres dla agentów AI — menedżer wiąże kolekcję z agentem AI, więc model korzysta wyłącznie z powiązanych treści.
- Kontrola dostępu — udostępniasz konkretny zakres wiedzy, a nie całe repozytorium.
- Czytelność — nazwa kolekcji jest widoczna w agencie AI, z którego korzysta użytkownik.
Kolekcja a repozytorium: Repozytorium to magazyn z konfiguracją indeksu i embeddingów. Kolekcja żyje wewnątrz repozytorium i grupuje jego źródła. Jedno źródło może należeć do wielu kolekcji.
Jak je projektować
Najlepsze kolekcje są spójne tematycznie i mają jasną granicę. Kilka praktyk, które się sprawdzają:
- Jeden temat na kolekcję. Łącz materiały, które realnie odpowiadają na podobne pytania. Unikaj mieszania regulaminów z cennikiem.
- Stała granica w czasie. Jeśli treści szybko się dezaktualizują, rozdziel je rocznikami lub wersjami (np. „Cennik 2025”).
- Rozsądny rozmiar. Zbyt szeroka kolekcja rozmywa trafność; zbyt wąska zmusza użytkownika do ciągłego przełączania.
- Czytelne nazwy. Nazwa powinna od razu mówić, co znajdziesz w środku — to ona identyfikuje kolekcję powiązaną z agentem AI.
- Bez duplikatów. Ten sam dokument w wielu kolekcjach jest w porządku, ale unikaj kilku niemal identycznych źródeł obok siebie.
Porada: Zacznij od kilku szerokich kolekcji odzwierciedlających działy lub procesy, a dziel je dopiero wtedy, gdy odpowiedzi zaczną tracić precyzję. Łatwiej podzielić dużą kolekcję niż scalać dziesiątki małych.
Wpływ na trafność wyszukiwania
Podczas rozmowy raggy szuka fragmentów najbardziej zbliżonych do pytania i przekazuje je modelowi jako kontekst. Im węższy i bardziej spójny zbiór, tym mniejsze ryzyko, że trafią tam treści przypadkowe.
| Zakres | Trafność | Kiedy stosować |
|---|---|---|
| Całe repozytorium | Szeroka, mniej precyzyjna | Pytania ogólne lub przekrojowe |
| Jedna kolekcja | Wąska, wysoka | Pytania w obrębie jednego tematu |
| Kilka kolekcji | Zrównoważona | Tematy pokrewne, ale rozdzielone |
Na jakość wyników wpływa też dobór modelu i embeddingów. Kolekcje i konfiguracja indeksu działają razem — najlepsze efekty daje spójna struktura źródeł połączona z odpowiednim modelem.
Kolekcje a agenci AI
Kolekcji nie wybiera się ręcznie w czacie. Menedżer tworzy agentów AI i wiąże każdego z nich z kolekcją, a następnie przypisuje agentów użytkownikom. Rozmowa korzysta z kolekcji powiązanej z agentem, którego właśnie używasz.
- Menedżer tworzy agenta AI i wiąże go z wybraną kolekcją.
- Agent zostaje przypisany użytkownikom, którzy mają z niego korzystać.
- Użytkownik wybiera agenta, a następnie może zawęzić wyszukiwanie do folderów lub konkretnych plików.
Zawężanie wyszukiwania w obrębie agenta opisaliśmy szerzej w Pierwsza rozmowa.