1 
2Model Bahasa Besar (LLMs) seperti GPT-4 dan Claude sangat berkuasa, tetapi mengalami batasan asas: pengetahuan mereka dibekukan pada masa latihan. **Retrieval-Augmented Generation (RAG)** menyelesaikan masalah ini.
3 
4## Masalah: Batasan LLM
5 
61.  **Pengetahuan statik**.
72.  **Halusinasi**: menjana maklumat yang munasabah tetapi palsu.
83.  **Tiada akses kepada data peribadi**.
9 
10## Apakah RAG?
11 
12```mermaid
13graph LR
14    User["User"] -- "Question" --> Retriever
15    Retriever -- "Search relevant\ndocuments" --> VectorStore["Vector Store"]
16    VectorStore -- "Relevant\ndocuments" --> Retriever
17    Retriever -- "Context + Question" --> LLM
18    LLM -- "Grounded\nresponse" --> User
19```
20 
21## Cara RAG Berfungsi
22 
23### Fasa 1: Pengindeksan
24 
25```mermaid
26graph TD
27    A["Documents\n(PDF, HTML, MD, DB)"] --> B["Document Loader"]
28    B --> C["Text Splitter"]
29    C --> D["Text Chunks"]
30    D --> E["Embedding Model"]
31    E --> F["Numerical Vectors"]
32    F --> G["Vector Store\n(ChromaDB, Pinecone, FAISS)"]
33```
34 
35### Fasa 2: Pengambilan + Penjanaan
36 
37## Membina Saluran RAG dengan LangChain
38 
39### Pemasangan
40 
41```bash
42pip install langchain langchain-openai langchain-community chromadb
43```
44 
45### Langkah 1: Muat Dokumen
46 
47```python
48from langchain_community.document_loaders import (
49    PyPDFLoader,
50    WebBaseLoader,
51    DirectoryLoader,
52    TextLoader,
53)
54 
55pdf_loader = PyPDFLoader("docs/manual.pdf")
56pdf_docs = pdf_loader.load()
57 
58web_loader = WebBaseLoader("https://docs.example.com/guide")
59web_docs = web_loader.load()
60 
61dir_loader = DirectoryLoader("./knowledge_base", glob="**/*.md", loader_cls=TextLoader)
62md_docs = dir_loader.load()
63 
64all_docs = pdf_docs + web_docs + md_docs
65```
66 
67### Langkah 2: Pecahkan Dokumen kepada Chunks
68 
69```python
70from langchain.text_splitter import RecursiveCharacterTextSplitter
71 
72text_splitter = RecursiveCharacterTextSplitter(
73    chunk_size=1000,
74    chunk_overlap=200,
75    separators=["\n\n", "\n", ". ", " ", ""],
76)
77 
78chunks = text_splitter.split_documents(all_docs)
79print(f"Original documents: {len(all_docs)}, Chunks: {len(chunks)}")
80```
81 
82### Langkah 3: Cipta Embeddings dan Vector Store
83 
84```python
85from langchain_openai import OpenAIEmbeddings
86from langchain_community.vectorstores import Chroma
87 
88embedding_model = OpenAIEmbeddings(model="text-embedding-3-small")
89 
90vectorstore = Chroma.from_documents(
91    documents=chunks,
92    embedding=embedding_model,
93    persist_directory="./chroma_db",
94)
95```
96 
97### Langkah 4: Cipta Retriever
98 
99```python
100retriever = vectorstore.as_retriever(
101    search_type="similarity",
102    search_kwargs={"k": 4},
103)
104 
105relevant_docs = retriever.invoke("How does authentication work?")
106for doc in relevant_docs:
107    print(doc.page_content[:200])
108    print("---")
109```
110 
111### Langkah 5: Bina Rantaian RAG
112 
113```python
114from langchain_openai import ChatOpenAI
115from langchain_core.prompts import ChatPromptTemplate
116from langchain_core.runnables import RunnablePassthrough
117from langchain_core.output_parsers import StrOutputParser
118 
119llm = ChatOpenAI(model="gpt-4o", temperature=0)
120 
121prompt = ChatPromptTemplate.from_template("""
122Answer the question based only on the provided context.
123If the context does not contain enough information, say you don't know.
124 
125Context:
126{context}
127 
128Question: {question}
129 
130Answer:
131""")
132 
133def format_docs(docs):
134    return "\n\n".join(doc.page_content for doc in docs)
135 
136rag_chain = (
137    {"context": retriever | format_docs, "question": RunnablePassthrough()}
138    | prompt
139    | llm
140    | StrOutputParser()
141)
142 
143response = rag_chain.invoke("How does authentication work in the system?")
144print(response)
145```
146 
147## Teknik RAG Lanjutan
148 
149Multi-Query Retrieval, Contextual Compression, Hybrid Search, dan Conversational RAG adalah teknik lanjutan utama untuk meningkatkan kualiti jawapan.
150 
151## Amalan Terbaik
152 
1531.  **Pilih saiz chunk yang betul**.
1542.  **Gunakan metadata dokumen**.
1553.  **Nilai kualiti** menggunakan [RAGAS](https://docs.ragas.io/).
1564.  **Uruskan kemas kini dokumen**.
1575.  **Tambah re-ranker**.
158 
159## Kesimpulan
160 
161RAG telah menjadi seni bina standard untuk membina aplikasi AI. LangChain memudahkan pelaksanaan dengan banyak.
162 
163**Langkah seterusnya:**
164- **Eksperimen secara tempatan**: Mulakan dengan ChromaDB.
165- **Terokai LangSmith**: [LangSmith](https://smith.langchain.com/).
166- **Cuba model embedding yang berbeza**.
167- **Semak dokumentasi**: [Dokumentasi LangChain](https://python.langchain.com/docs/).
168