RAG (रिट्रीवल-ऑगमेंटेड जनरेशन)

यह अंग्रेज़ी पेज का ऑटोमैटिक अनुवाद है और इसकी अभी तक किसी मूल भाषी ने समीक्षा नहीं की है।

RAG (रिट्रीवल-ऑगमेंटेड जनरेशन) — एक AI आर्किटेक्चर जो सूचना पुनर्प्राप्ति (retrieval) को पाठ जनरेशन के साथ जोड़ती है, जिससे LLMs अपने उत्तरों को केवल प्रशिक्षण डेटा पर निर्भर रहने के बजाय बाहरी ज्ञान स्रोतों में आधारित कर सकते हैं। शिक्षा में, RAG हैलुसिनेशन (hallucination) का समाधान करता है, पाठ्यक्रम-आधारित ट्यूटरिंग को सक्षम बनाता है, और डोमेन-विशिष्ट AI ट्यूटर को शक्ति प्रदान करता है।

विचार के लिए प्रश्न

• आपने संभवतः कभी किसी AI चैटबॉट को कुछ झूठ का पूर्ण आत्मविश्वास से दावा करते देखा होगा। मॉडल के उत्तर को बाहरी दस्तावेज़ों में 'आधारित' करना उस विफलता-प्रकार को बारे में क्या बदलता है, और यह कौन-कौन से नए विफलता-प्रकार पेश कर सकता है?
• RAG प्रासंगिक सामग्री पुनर्प्राप्त करता है और उसे जनरेटर को देता है। पढ़ने से पहले, इससे पुनर्प्राप्त सामग्री की गुणवत्ता के बारे में क्या धारणाएँ बनती हैं — और यह कि पुनर्प्राप्त पाठ वास्तव में पढ़ाने के लिए सही चीज़ है या नहीं, इसके बारे में?
• यह पेज RAG की तुलना फाइन-ट्यूनिंग से करता है: पुनर्प्राप्ति बिना पुनः प्रशिक्षण के अद्यतित स्रोतों में उत्तरों को आधारित करती है, जबकि फाइन-ट्यूनिंग व्यवहारों को अंतर्निहित करता है। यदि आप एक पाठ्यक्रम-संरेखित ट्यूटर बना रहे हों, तो सटीकता के लिए आप किस दृष्टिकोण पर भरोसा करेंगे, और शिक्षण शैली के लिए किस पर?
• RAG को शिक्षा में हैलुसिनेशन का मुख्य उत्तर बताया गया है। लेकिन विचार करें: यदि पुनर्प्राप्ति स्रोत में ही त्रुटियाँ हों, या वह पुराना हो गया हो, तो क्या RAG फिर भी हैलुसिनेट कर सकता है? व्यवहार में 'सत्यापित सामग्री में आधारित' इस गारंटी का विघटन कहाँ हो सकता है?
• किसी डेवलपर या प्रशिक्षक के लिए: एक ट्यूटर को पाठ्यपुस्तक सामग्री के अतिरिक्त क्या 'जानने' की आवश्यकता होती है — शैक्षणिकी (pedagogy), उत्तर कब न देना चाहिए, समझ कैसे जाँचनी चाहिए? केवल RAG यह कहाँ प्रदान करने में विफल होगा, और आप इसे किसके साथ जोड़ेंगे?

परिचय

शिक्षा में RAG का उपयोग

• संकेत-अभिज्ञता के साथ डोमेन-विशिष्ट पुनर्प्राप्ति: AlgoRAG सैद्धांतिक कंप्यूटर विज्ञान पाठ्यक्रमों के लिए पाठ्यपुस्तकों, 847 व्याख्यान स्लाइड्स, 312 हल किए गए अभ्यास प्रश्नों, 156 कार्यशील प्रमाण टेम्पलेट्स और 89 जटिलता वर्कशीट्स को अनुक्रमित करता है, साथ ही गणितीय इकाई पहचान (mathematical entity recognition) और संकेत-अभिज्ञता युक्त पुनर्क्रमण (notation-aware re-ranking) जोड़ता है; इसने सभी 179 प्रशिक्षक-रचित परीक्षा प्रश्नों का उत्तर 240-सेकंड की समय-सीमा के भीतर दिया (औसतन 38.0 सेकंड) लेकिन BLEU-4 = 0.0000 और 0.7620 का रूब्रिक स्कोर प्राप्त किया, जो इस आर्किटेक्चर के मूल्य और उसका आकलन करने वाले मेट्रिक्स की सीमाओं — दोनों को दर्शाता है।
• हैलुसिनेशन में कमी: EduGuard और EduZone RAG का उपयोग AI ट्यूटर के उत्तरों को सत्यापित शैक्षिक सामग्री में आधारित रखने के लिए करते हैं, जिससे हैलुसिनेशन जोखिम कम होता है।
• आधारीकरण उतना ही अच्छा है जितनी स्रोत की जाँच: केवल 12 में से 1 प्रतिभागी ने जानबूझकर बेमेल किया गया स्रोत कार्ड (source card) नोटिस किया, इसलिए एक प्रोवेनेंस लेबल (provenance label) पुनर्प्राप्त सामग्री को सत्यापित करने के न्योते के बजाय अधिकार का मुहर बन सकता है (Sun et al. (2026)).
• पाठ्यक्रम-आधारित ट्यूटरिंग: KITE ट्यूटरिंग उत्तरों को सूचित करने के लिए प्रासंगिक पाठ्यक्रम सामग्री पुनर्प्राप्त करता है, जिससे पाठ्यक्रम सामग्री के साथ संरेखण सुनिश्चित होता है।
• संस्थागत नियंत्रण के लिए ऑन-प्रिमाइसेस परिनियोजन: CourseChat स्नातक-स्तर के व्यवसाय शिक्षा के लिए स्थानीय एज होस्ट पर एक बहु-पाठ्यक्रम RAG ट्यूटर चलाता है, जिसमें स्थानीय वेक्टर डेटाबेस और Ollama द्वारा परोसा गया 8B मॉडल होता है, जिससे पाठ्यक्रम सामग्री और विद्यार्थी संवाद परिसर के अधिकार-क्षेत्र में ही रहते हैं; जब बड़े उम्मीदवार मॉडल विलंबता (latency) गेट में विफल रहे तो मॉडल चुनाव एक संयुक्त हार्डवेयर-और-परोसन निर्णय बन गया (CourseChat)।
• पाठ्यपुस्तक और सामग्री अनुक्रमण: संश्लेषित पाठ्यपुस्तक संगठन पुनर्प्राप्ति के लिए शैक्षिक सामग्री को अनुक्रमित करता है। StructRAG पुनर्प्राप्ति को संरचित आरेखों तक विस्तारित करता है।
• प्रशिक्षण पाइपलाइन एकीकरण: शैक्षिक LLM प्रशिक्षण RAG का उपयोग ट्यूटर प्रशिक्षण को शैक्षिक सर्वोत्तम प्रथाओं में आधारित करने के लिए करता है।
• पाठ्यक्रम-विशिष्ट शैक्षिक सहायता: Beacon एक एकल प्रोग्रामिंग मॉड्यूल की स्वीकृत शिक्षण सामग्री से पुनर्प्राप्ति करता है ताकि उन विद्यार्थियों की सेवा की जा सके जो प्रवक्ता (lecturer) के पास जाने में हिचकिचाते हैं; मूल्यांकन करने वाले 15 विद्यार्थियों में से 89% ने इसके उत्तरों को पाठ्यक्रम सामग्री के साथ अत्यधिक संरेखित बताया; यह डिज़ाइन बिंदु यह है कि आधारीकरण सामान्य-उद्देश्यीय LLMs और मॉड्यूल-स्तरीय अपेक्षाओं के बीच असंगति का एक संस्थागत उत्तर है।
• इन्जेस्ट-समय संरचना बनाम क्वेरी-समय पुनर्प्राप्ति: Wright (2026) ने एक ही DS3001 मशीन-लर्निंग पाठ्यक्रम संग्रह को स्रोत-उद्धरण युक्त सात अन्योन्य-संदर्भित विकि अवधारणा पेजों में संकलित किया, और उसे एक ट्यून किए गए वेक्टर-RAG बेसलाइन — chunked-embedding retrieval — के सामने रखा। 59 मानव-रचित प्रश्नों पर संकलित विकि ने ट्यून किए गए इंडेक्स को हराया (10 में से 9.95 बनाम 9.05, अंतर पर बूटस्ट्रैप CI शून्य को बाहर करता है) और जवाबदाता द्वारा वास्तव में देखी गई सामग्री में अधिक बार आधारित रहा (98% बनाम 81%), और दोनों अंतर लगभग तीन गुना हो गए उन प्रश्नों पर जिनमें एक से अधिक पेज की सामग्री की आवश्यकता थी (क्रॉस-पेज स्कोर 9.93 बनाम 8.14, जहाँ RAG का आधारित दर 87% से 64% पर गिर गई)। आधारीकरण अंतर पुनर्प्राप्ति विफलता नहीं था: वेक्टर RAG के 11 अनआधारित उत्तरों में से केवल 2 पुनर्प्राप्ति-चूक थे, जबकि शेष 9 में संबंधित अंश संदर्भ में मौजूद थे और फिर भी असमर्थित विवरण जोड़ा गया — यह प्रमाण कि इन्जेस्ट पर संरचना विस्तार को सीमित करती है, केवल पहुँच को नहीं।

RAG बनाम फाइन-ट्यूनिंग

RAG बड़े भाषा मॉडल (LLMs) के फाइन-ट्यूनिंग के लिए एक पूरक भूमिका निभाता है — पुनर्प्राप्ति बिना पुनः प्रशिक्षण के अद्यतित, डोमेन-विशिष्ट आधार प्रदान करती है, जबकि फाइन-ट्यूनिंग शैक्षिक व्यवहारों को अंतर्निहित करता है। ज्ञान आधार का अनुसंधान दोनों दृष्टिकोणों और उनके संयोजन की खोज करता है।

संबंधित अवधारणाएँ

• बड़े भाषा मॉडल (LLMs)
• जनरेटिव-AI
• हैलुसिनेशन जोखिम
• ज्ञान ग्राफ़
• एडटेक प्लेटफ़ॉर्म
• इंटेलिजेंट ट्यूटरिंग
• LLM प्रशिक्षण और सूक्ष्म-अनुकूलन
• पाठ्य-सुरक्षा: शिक्षा में पेडागॉजिकल सेफ्टी
• K-12
• उच्च शिक्षा
• प्रौद्योगिकियाँ — छत्र: AI प्रौद्योगिकियाँ और तकनीकें (मॉडल, LLM प्रशिक्षण, रोबोटिक्स, RAG, एजेंटिक)

संबंधित लेख

• EduGuard: A Safe RAG-Based LLM Tutor for Programming Education
• EduZone: A Framework for Evaluating LLM Safety for K-12 Students and Teachers
• Retrieval-Augmented Tutoring for Algorithm Tracing and Problem-Solving in AI Education
• Advancing diagram-based reasoning in AI tutoring systems: a structural approach for STEM education
• Beyond Rephrasing: Book-Level Organization Improves Synthetic Textbook Data for Mid-Training
• VeriForge: Mitigating Latent Knowledge Gaps in Narrative Drafting via Mixed-Initiative Scaffolding
• From Prompts to Verified Loops: The PCHL-HE Framework for Generative AI-Assisted Educational and Research Content Creation in Higher Education
• AlgoRAG: Retrieval-Augmented Generation for Theoretical Computer Science Education -- A Comprehensive Evaluation Framework for Algorithm Analysis and Complexity Theory — AlgoRAG: रिट्रीवल-ऑगमेंटेड जनरेशन for Theoretical Computer Science Education -- A Comprehensive Evaluation Framework for Algorithm Analysis and Complexity Theory
• Reducing Barriers to Academic Support: Evaluating a Course-Specific RAG System for Addressing Help-Seeking Disparities in Higher Education — शैक्षिक सहायता तक पहुँच में बाधाएँ कम करना: उच्च शिक्षा में सहायता-मांग असमानताओं को संबोधित करने वाले पाठ्यक्रम-विशिष्ट RAG प्रणाली का मूल्यांकन
• Potential for Enhanced Learning in Machine Learning Classes by Using Wiki LLM Indexing — विकि LLM अनुक्रमण का उपयोग करके मशीन-लर्निंग कक्षाओं में सुधारित शिक्षा की संभावना
• On-Premises Multi-Course RAG Tutoring for Business Education: Hardware–Software Trade-offs in a Campus AI Tutor — व्यवसाय शिक्षा के लिए ऑन-प्रिमाइसेस बहु-पाठ्यक्रम RAG ट्यूटरिंग