RAG: Claude в Amazon Bedrock

О чём урок

Проверьте свои знания по материалам раздела.

1. Какой основной проблемой призван справиться "гибкий подход к схемам" при извлечении структурированных данных с помощью Claude?

1. Необходимость постоянно обновлять модели LLM для каждой новой задачи.
2. Ограничения на количество токенов в промпте Claude.
3. Трудоемкость создания и управления детализированными JSON-схемами для каждой задачи.
4. Низкое качество генерируемого Claude JSON-вывода.

Ответ: C — Гибкий подход к схемам разработан для устранения необходимости постоянного написания и управления объемными JSON-схемами, позволяя описывать желаемую структуру непосредственно в промпте.

2. В чем заключается уникальное отличие Инструмента для редактирования текста Claude (Text Editor Tool) от обычных пользовательских инструментов?

1. Он может выполнять операции только с текстовыми файлами, а не с базами данных.
2. Claude уже "знает" JSON-схему для операций редактирования текста, и разработчику нужно предоставить только реализацию.
3. Его использование не требует никаких API-вызовов, так как он встроен непосредственно в модель.
4. Он доступен только в локальной среде разработки, а не через Amazon Bedrock.

Ответ: B — Для Text Editor Tool JSON-схема уже встроена в Claude, и задача разработчика — реализовать фактические файловые операции, которые Claude будет запрашивать.

3. Какую ключевую проблему RAG (Retrieval Augmented Generation) решает для LLM при работе с очень большими документами?

1. Проблему "галлюцинаций" модели при генерации выдуманной информации.
2. Ограничение контекстного окна LLM, не позволяющее обработать весь документ целиком.
3. Отсутствие у LLM способности понимать естественный язык.
4. Сложность интеграции LLM с внешними API и инструментами.

Ответ: B — RAG позволяет LLM преодолевать ограничения контекстного окна, извлекая только наиболее релевантные фрагменты информации из больших документов, вместо попытки обработать их целиком.

4. Какая стратегия разбиения текста на фрагменты (chunking) является наиболее подходящей для хорошо структурированных документов с четкими заголовками и подзаголовками (например, Markdown или HTML)?

1. Разбиение по размеру с перекрытием.
2. Разбиение по предложениям.
3. Разбиение по структуре.
4. Разбиение по фиксированному количеству символов.

Ответ: C — Разбиение по структуре отлично подходит для документов с предсказуемым форматированием, так как каждый фрагмент естественно представляет собой логически…