Bagian 5 — RAG

Model bahasa hanya tahu dua hal: apa yang ada di data latihnya, dan apa yang kamu kirim dalam konteks. Dokumen kebijakan perusahaanmu tidak termasuk keduanya. Begitu juga katalog produkmu, catatan rapat tim, dan basis pengetahuan support yang kamu bangun selama tiga tahun.

Di Bagian 2 kita menyelesaikan sebagian masalah ini dengan tool — agent bisa memanggil API untuk mengambil data. Tapi tool bekerja baik untuk data yang bisa ditanyakan dengan tepat: "ambil pesanan nomor 4417". Ia tidak membantu untuk pertanyaan seperti "apa kebijakan kita soal refund barang elektronik yang rusak setelah 30 hari?" — karena jawabannya tersebar di beberapa paragraf dalam dokumen yang tidak punya endpoint API.

RAG (Retrieval-Augmented Generation) menyelesaikan kelas masalah itu. Dokumen-dokumenmu dipotong, diubah menjadi representasi makna, disimpan, lalu potongan yang relevan diambil saat pertanyaan datang.

Kamu sudah pernah melihatnya

Kalau bagian ini terasa familiar, memang begitu. Semantic recall di 3.3 adalah RAG — hanya saja dokumen yang dicari adalah riwayat percakapanmu sendiri.

Mekanismenya identik: potong, buat embedding, simpan di vector store, cari berdasarkan kemiripan makna. Yang berbeda hanya sumber datanya.

	Semantic recall	RAG
Yang dicari	Riwayat percakapan	Dokumenmu
Siapa yang memasukkan data	Mastra, otomatis setelah tiap giliran	Kamu, lewat proses ingest
Dikonfigurasi di	Memory	Tool atau langkah workflow

Artinya kamu sudah memahami separuh bagian ini sebelum memulainya.

Bab di bagian ini

Bab	Isi
5.1	Anatomi pipeline RAG dan kapan ia tepat dipakai
5.2	Memotong dokumen dan mengubahnya jadi vektor
5.3	Menyimpan, mencari, dan menyambungkannya ke agent

Prasyarat bagian ini

• Bagian 4 selesai
• 3.3 Semantic Recall — konsep embedding dan vector store dari sana dipakai lagi di sini
• Paket @mastra/rag akan dipasang di bab 5.2

Lanjut ke mana

Mulai dari 5.1 Konsep RAG.