[{"data":1,"prerenderedAt":761},["ShallowReactive",2],{"blog-conversational-search-query-rewriting-hu":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":14,"about":25,"sources":35,"cover":69,"og":70,"expertise":71,"locales":72,"lang":75,"title":76,"description":77,"coverAlt":78,"metaTitle":79,"takeaways":80,"faq":86,"toc":105,"blocks":139,"others":509},"conversational-search-query-rewriting","2026-10-17",12,"rag",[9,10,11,12,13],"Conversational search","Query rewriting","RAG","HyDE","E-commerce",[15,16,17,18,19,20,21,22,23,24],"conversational search query rewriting","coreference resolution search query","HyDE hypothetical document embeddings","multi-query expansion RAG","LLM filter extraction","B2B product search assistant","conversational product search","query rewriting latency","recall@k evaluation","standalone query generation",[26,29,32],{"name":27,"url":28},"Query expansion","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FQuery_expansion",{"name":30,"url":31},"Coreference","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCoreference",{"name":33,"url":34},"Okapi BM25","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FOkapi_BM25",[36,39,42,45,48,51,54,57,60,63,66],{"title":37,"url":38},"Gao et al.: Precise Zero-Shot Dense Retrieval without Relevance Labels, ACL 2023","https:\u002F\u002Faclanthology.org\u002F2023.acl-long.99\u002F",{"title":40,"url":41},"UTokyo-Hitotsubashi at TREC 2025 RAG Track: HyDE-Enhanced Sparse-Dense Retrieval Fusion with LLM Reranking","https:\u002F\u002Ftrec.nist.gov\u002Fpubs\u002Ftrec34\u002Fpapers\u002FUTokyo.rag.pdf",{"title":43,"url":44},"Hypothetical Documents or Knowledge Leakage? Rethinking LLM-based Query Expansion","https:\u002F\u002Faclanthology.org\u002F2025.findings-acl.980.pdf",{"title":46,"url":47},"ConvSearch-R1: Enhancing Query Reformulation for Conversational Search with Reasoning via Reinforcement Learning","https:\u002F\u002Faclanthology.org\u002F2025.emnlp-main.1349\u002F",{"title":49,"url":50},"CFDA and CLIP at TREC iKAT 2025: Query Reformulation and Rank Fusion","https:\u002F\u002Farxiv.org\u002Fabs\u002F2509.15588",{"title":52,"url":53},"MiniELM: A Lightweight and Adaptive Query Rewriting Framework for E-Commerce Search Optimization","https:\u002F\u002Faclanthology.org\u002F2025.findings-acl.363\u002F",{"title":55,"url":56},"Microsoft Learn: Rewrite queries with semantic ranker in Azure AI Search (preview)","https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fsearch\u002Fsemantic-how-to-query-rewrite",{"title":58,"url":59},"Microsoft Learn: Agentic retrieval overview in Azure AI Search","https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fsearch\u002Fagentic-retrieval-overview",{"title":61,"url":62},"Microsoft Tech Community: Generative query rewriting and a new semantic ranker","https:\u002F\u002Ftechcommunity.microsoft.com\u002Fblog\u002Fazure-ai-services-blog\u002Fraising-the-bar-for-rag-excellence-query-rewriting-and-new-semantic-ranker\u002F4302729\u002F",{"title":64,"url":65},"Amazon Bedrock User Guide: Configure and customize queries and response generation","https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock\u002Flatest\u002Fuserguide\u002Fkb-test-config.html",{"title":67,"url":68},"Ragas documentation: List of available metrics","https:\u002F\u002Fdocs.ragas.io\u002Fen\u002Fstable\u002Fconcepts\u002Fmetrics\u002Favailable_metrics\u002F","\u002Fimages\u002Fblog\u002Fconversational-search-query-rewriting\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fconversational-search-query-rewriting\u002Fog.jpg","ai-engineer",[73,74,75],"en","de","hu","Lekérdezés-újraírás beszélgetésalapú kereséshez: kontextus, HyDE és szűrők","Hogyan írjuk át a követő kérdéseket egy B2B webshop-asszisztensben: korreferencia, HyDE, több lekérdezés, szűrők, latencia és kiértékelés.","Beszédbuborék, átírt kártya, majd tölcsér az eredmények fölött, nyilakkal összekötve.","Lekérdezés-átírás beszélgetésalapú keresésben · Balázs Csorba",[81,82,83,84,85],"A beszélgetéses lekérdezéshez újraírás kell, nem hosszabb prompt: a névmásokat, az ellipsziseket és a megváltozott feltételeket a keresés előtt ki kell mondani.","A HyDE akkor segít, ha a modell már ismeri a szakterület szókincsét; ritka katalógusfogalmaknál rossz szavakat talál ki, ezért az eredeti lekérdezés maradjon a vektorban.","A több lekérdezéses kiterjesztés recall-t hoz, driftet és latenciát visz: más-más tengely mentén bővítsünk, RRF-fel fúzionáljunk, és korlátozzuk a lekérdezések számát.","A szűrők a legkockázatosabb kimenetek: a jogosultsági szűrők a fiókból jönnek, soha nem a modellből, és minden generált szűrőt sémával kell validálni.","Munkameneteken mérjünk recall@k-val és válaszminőséggel, ne azzal, mennyire hasonlít az újraírás egy emberi referenciához.",[87,90,93,96,99,102],{"q":88,"a":89},"Mi a beszélgetésalapú lekérdezés-újraírás?","A kontextusfüggő követő kérdést, például hogy „és ugyanaz 5 literben?\", önálló lekérdezéssé alakítja, benne a termékkel, a tulajdonsággal és az örökölt feltételekkel. A kereső így olyan lekérdezést kap, amit a chat előzményei nélkül is meg tud válaszolni.",{"q":91,"a":92},"Kell HyDE egy webshop-asszisztenshez?","Általában nem. Akkor érdemes tesztelni, ha a kérdés homályos, és a katalógusleírások sokkal hosszabbak nála. Cikkszámokhoz nem illik, és kockázos ott, ahol egy hibás tulajdonság félrevezetheti a vevőt.",{"q":94,"a":95},"Hány újraírást generáljak körönként?","Alapból egyet, alacsony confidence esetén hármat. Az Azure AI Search akár tíz változatot is tud, de minden plusz lekérdezés megsokszorozza a keresést és a rerankelést, a parafrázisok pedig eltávolodnak a szándéktól.",{"q":97,"a":98},"A modell nyerje ki a szűrőket?","A preferenciaszűrőket, például anyag, méret vagy felső ár, igen, sémával és validációval. A jogosultsági szűrők, mint a kínálat, az árlista vagy a szállítási ország, a munkamenetből és az ERP-ből jönnek, soha nem a modellből.",{"q":100,"a":101},"Hogyan értékeljem a lekérdezés-újraírást?","Munkameneteken: recall@k és MRR körönként, nDCG@10 fokozatos relevancia esetén, valamint a válasz faithfulness és relevancy mutatói. Az azonosító megőrzését és a nulla találatos arányt külön kövessük, bontva körindex, kérdéstípus és nyelv szerint.",{"q":103,"a":104},"Eltöri az újraírás a pontos cikkszámos keresést?","Eltörheti. A Microsoft figyelmeztet, hogy az újraírt lekérdezés elvesztheti azokat a pontos kifejezéseket, amelyek az egyedi azonosítókhoz és termékkódokhoz kellenek. Az azonosítókat a modell előtt emeljük ki, szó szerint tegyük vissza, és teszteljük minden promptváltozásnál.",[106,109,112,115,118,121,124,127,130,133,136],{"id":107,"title":108},"why-rewrite","Miért nehezebb a második kérdés, mint az első",{"id":110,"title":111},"what-breaks","Négy dolog, amit egy beszélgetés a lekérdezéssel tesz",{"id":113,"title":114},"coreference","Korreferencia, ellipszis és az önálló lekérdezés",{"id":116,"title":117},"hyde","HyDE: hasznos, de nem tudja kitalálni a katalógust",{"id":119,"title":120},"multi-query","Több lekérdezéses kiterjesztés: több recall, több drift",{"id":122,"title":123},"filters","Szűrőkinyerés: előbb a séma, aztán a modell",{"id":125,"title":126},"exact-identifiers","Cikkszámok és mértékegységek: az átírás ne nyúljon hozzájuk",{"id":128,"title":129},"latency-cost","Latencia és költség: mit hoz a plusz hívás",{"id":131,"title":132},"evaluation","Kiértékelés: recall@k munkameneteken, nem az átíráson",{"id":134,"title":135},"design","A pipeline, amit élesítenék",{"id":137,"title":138},"sources","Források",[140,144,147,150,153,156,157,181,184,185,188,245,248,251,252,255,258,261,262,265,274,277,278,281,290,297,298,301,309,310,313,368,371,379,380,383,386,428,431,439,440,443,450,463,466,469,472,473],{"type":141,"content":142},"paragraph",[143],"A keresőmező egy lekérdezést kap. A chat beszélgetést kap. A harmadik körben a vevő azt írja, hogy „és ugyanaz 5 literben\", a kereső pedig egy mondatot kap termék, anyag és mértékegység nélkül. Nagyobb kontextusablak ezt nem oldja meg. Egy újraíró lépés igen.",{"type":141,"content":145},[146],"Ez a cikk erről a lépésről szól egy B2B webshop-asszisztensben: korreferencia és ellipszis, HyDE, több lekérdezéses kiterjesztés, szűrőkinyerés, a cikkszám kivétele, a plusz hívás latenciája, és hogyan értékeljük az eredményt munkameneteken, nem az átírt szövegen.",{"type":148,"level":149,"id":107,"text":108},"heading",2,{"type":141,"content":151},[152],"Az egylépéses lekérdezésértés parszolás. A többkörös keresés erre még referenciamegoldást rak. A „4711-32\" minden keresőnek egyszerű. Az „van ez 5 literben?\" egy embernek egyszerű, egy indexnek lehetetlen, mert hiányzik a főnév.",{"type":141,"content":154},[155],"Két út zárja be a rést. A beszélgetésalapú dense retrieval a előzményt és a lekérdezést egy vektorba kódolja, de munkamenet–passzus tanítóadat kell hozzá. A beszélgetésalapú lekérdezés-átírás megtartja a keresőt, és a követő kérdést önálló lekérdezéssé írja át; a ConvSearch-R1 ezt a kettősséget írja le, és amellett érvel, hogy az átírással kész kereső használható. Web shopokban én az átírásra szavazok: a kereső és a szinonimák már megvannak, és az újraírás kisebb változás, mint egy új retrieval stack.",{"type":148,"level":149,"id":110,"text":111},{"type":158,"items":159},"list",[160,166,171,176],[161,165],{"tag":162,"children":163},"strong",[164],"Korreferencia."," Az „az\", „az a kettő\", „a második\" arra a termékre mutat, amit az asszisztens mutatott.",[167,170],{"tag":162,"children":168},[169],"Ellipszis."," Az „és 5 literben?\" kihagyja a terméket és a tulajdonságot.",[172,175],{"tag":162,"children":173},[174],"Megváltozó feltétel."," Az „olcsóbb\" vagy a „nem a horganyzott\" hozzáad vagy elvesz egy feltételt.",[177,180],{"tag":162,"children":178},[179],"Témaváltás."," A „mikor szállítják?\" nem örökölheti a termékszűrőt.",{"type":141,"content":182},[183],"Mindegyik másképp hibázik: az elmaradt korreferencia a kategória véletlenszerű termékét hozza, az elmaradt feltétel a jó termékcsaládot rossz specifikációval, az elmaradt témaváltás terméket ad, pedig logisztikáról volt szó. A túlbuzgó átírás is hibázik: feltételeket talál ki, vagy elveszíti a cikkszámot. A cél a legkisebb lekérdezés, amely a jó jelölteket hozza, és megtartja a ténylegesen kimondott feltételeket.",{"type":148,"level":149,"id":113,"text":114},{"type":141,"content":186},[187],"A jó átírás hordozza a termékazonosítót, a szóban forgó tulajdonságot, az örökölt szűrőket és az új feltételt. A táblázat azokat a mintákat mutatja, amelyeket először tesztelek.",{"type":189,"head":190,"rows":199},"table",[191,193,195,197],[192],"Minta",[194],"2. kör",[196],"Mit kell hordoznia",[198],"Ha elmarad",[200,209,218,227,236],[201,203,205,207],[202],"Névmás",[204],"„És 5 literben?\"",[206],"azonosító + kiszerelés",[208],"nem oda tartozó 5 literes edények",[210,212,214,216],[211],"Ellipszis",[213],"„Az inox\"",[215],"anyag az előző válaszból",[217],"rossz anyag",[219,221,223,225],[220],"Sorszám",[222],"„A második\"",[224],"azonosító az asszisztens listájából",[226],"az első termék",[228,230,232,234],[229],"Feltételváltás",[231],"„Olcsóbb, mint az\"",[233],"árplafon + árlista",[235],"listaárak a keret felett",[237,239,241,243],[238],"Témaváltás",[240],"„Mikor szállítják?\"",[242],"termékszűrők el, ország marad",[244],"termékoldal válasz helyett",{"type":141,"content":246},[247],"A sorszámos eset marad ki gyakran: a „második\" feloldásához kell az asszisztens előző válasza, a megjelenített termékek sorrendjével. A Flippi, egy 2025-ös e-kereskedelmi asszisztens, a „second product\" kifejezést a legutóbbi botválasz terméknevére képezi le a keresés előtt. Az átíró, amely csak felhasználói üzeneteket lát, ezt nem tudja.",{"type":141,"content":249},[250],"A bemenet tehát nem az átirat, hanem tömör állapot: az utolsó körök, a megjelenített azonosítók és nevek, az aktív szűrők és a fiókkontextus (pénznem, árlista, szállítási ország). A strukturált állapot olcsóbb húsz üzenetnél, és tesztelhetővé teszi az átírást.",{"type":148,"level":149,"id":116,"text":117},{"type":141,"content":253},[254],"A HyDE a Gao és szerzőtársai 2023-as ACL-cikkéből származik: a modell hipotetikus választ ír, ezt ágyazza be a lekérdezés helyett, és a vektorral keres. Az encoder kiszűri a kitalált részleteket; megmarad egy releváns dokumentum alakja. Egy webshopban ez az alak számít: a vevői kérdések rövidek, a katalógusszövegek hosszúak és strukturáltak.",{"type":141,"content":256},[257],"A bizonyíték tanulságosan vegyes. A TREC 2025 RAG tracken a UTokyo–Hitotsubashi csapat körülbelül 150 szavas hipotetikus válaszokat írt GPT-4.1-gyel, és 0,7-es súllyal keverte a lekérdezés vektorát a hipotetikushoz. Az egyik embedding-modellnél az nDCG@10 0,493-ról 0,564-re nőtt, 14,4%-os relatív javulás; a HyDE önmagában 0,444-ről 0,401-re csökkentette a precision@100-at. A felhasználó szavai maradjanak a vektorban.",{"type":141,"content":259},[260],"A nagyobb fenntartás egy 2025-ös ACL findings cikk a knowledge leakage-ről: három tényellenőrző benchmarkon és hét modellen átlagosan csak akkor segített a kiterjesztés, ha a generált dokumentumok a gold evidenciából következő mondatokat tartalmaztak. A HyDE akkor működik, ha a modell már ismeri a választ. Egy rétegkatalógus pont az az eset, amikor nem: magabiztos leírást ír hihető anyaggal és rossz menetmérettel, és olyan termékeket hoz, amelyek jónak látszanak, de nem azok. A szabályom: nincs HyDE azonosítós lekérdezéseknél, nincs ott, ahol egy rossz tulajdonság biztonsági kérdés, és csak homályos használati eseteknél.",{"type":148,"level":149,"id":119,"text":120},{"type":141,"content":263},[264],"A következő kar több lekérdezés egy helyett. Az Azure AI Search akár tíz változatot generál, és együtt küldi őket az első keresési szakaszba; a Microsoft négy pont nDCG@3 javulást jelentett kifejezésalapú indexeken, és akár 22 pontot az újabb szemantikus rankerrel. A TREC iKAT 2025 a Best-of-N átírást plusz reciprocal rank fusiont találta a legerősebb konfigurációnak, rerankeléssel a tetején.",{"type":266,"attrs":267,"inner":271,"caption":272},"diagram",{"viewBox":268,"role":269,"aria-labelledby":270},"0 0 720 250","img","csqr-fan-t csqr-fan-d","\u003Ctitle id=\"csqr-fan-t\">Három lekérdezés, egy jelöltlista\u003C\u002Ftitle>\u003Cdesc id=\"csqr-fan-d\">A követő kérdésből cikkszámos, szinonimás és attribútumos lekérdezés lesz. Mindegyik jelölteket hoz, a reciprocal rank fusion egyesíti őket, a rerankelő pedig megtartja az élmezőnyt.\u003C\u002Fdesc>\u003Cdefs>\u003Cmarker id=\"csqr-fan-ah\" viewBox=\"0 0 10 10\" refX=\"9\" refY=\"5\" markerWidth=\"7\" markerHeight=\"7\" orient=\"auto-start-reverse\">\u003Cpath d=\"M0 0L10 5L0 10z\" class=\"d-head\" \u002F>\u003C\u002Fmarker>\u003C\u002Fdefs>\u003Crect x=\"20\" y=\"95\" width=\"110\" height=\"60\" rx=\"9\" class=\"d-box\" \u002F>\u003Ctext x=\"75\" y=\"121\" text-anchor=\"middle\" class=\"d-text\">Követő\u003C\u002Ftext>\u003Ctext x=\"75\" y=\"141\" text-anchor=\"middle\" class=\"d-small\">chat + fiók\u003C\u002Ftext>\u003Cpath d=\"M130 125H156\" class=\"d-line\" marker-end=\"url(#csqr-fan-ah)\" \u002F>\u003Crect x=\"158\" y=\"95\" width=\"110\" height=\"60\" rx=\"9\" class=\"d-sky\" \u002F>\u003Ctext x=\"213\" y=\"121\" text-anchor=\"middle\" class=\"d-text\">Átíró\u003C\u002Ftext>\u003Ctext x=\"213\" y=\"141\" text-anchor=\"middle\" class=\"d-small\">SLM + JSON\u003C\u002Ftext>\u003Cpath d=\"M268 125L326 52\" class=\"d-line\" marker-end=\"url(#csqr-fan-ah)\" \u002F>\u003Cpath d=\"M268 125H326\" class=\"d-line\" marker-end=\"url(#csqr-fan-ah)\" \u002F>\u003Cpath d=\"M268 125L326 198\" class=\"d-line\" marker-end=\"url(#csqr-fan-ah)\" \u002F>\u003Crect x=\"328\" y=\"27\" width=\"150\" height=\"50\" rx=\"9\" class=\"d-box\" \u002F>\u003Ctext x=\"403\" y=\"57\" text-anchor=\"middle\" class=\"d-text\">Cikkszám\u003C\u002Ftext>\u003Crect x=\"328\" y=\"100\" width=\"150\" height=\"50\" rx=\"9\" class=\"d-box\" \u002F>\u003Ctext x=\"403\" y=\"130\" text-anchor=\"middle\" class=\"d-text\">Szinonima\u003C\u002Ftext>\u003Crect x=\"328\" y=\"173\" width=\"150\" height=\"50\" rx=\"9\" class=\"d-box\" \u002F>\u003Ctext x=\"403\" y=\"203\" text-anchor=\"middle\" class=\"d-text\">Attribútum\u003C\u002Ftext>\u003Cpath d=\"M478 52L526 122\" class=\"d-line\" marker-end=\"url(#csqr-fan-ah)\" \u002F>\u003Cpath d=\"M478 125H526\" class=\"d-line\" marker-end=\"url(#csqr-fan-ah)\" \u002F>\u003Cpath d=\"M478 198L526 128\" class=\"d-line\" marker-end=\"url(#csqr-fan-ah)\" \u002F>\u003Crect x=\"528\" y=\"95\" width=\"80\" height=\"60\" rx=\"9\" class=\"d-gold\" \u002F>\u003Ctext x=\"568\" y=\"121\" text-anchor=\"middle\" class=\"d-text\">RRF\u003C\u002Ftext>\u003Ctext x=\"568\" y=\"141\" text-anchor=\"middle\" class=\"d-small\">Top 50\u003C\u002Ftext>\u003Cpath d=\"M608 125H636\" class=\"d-line\" marker-end=\"url(#csqr-fan-ah)\" \u002F>\u003Crect x=\"638\" y=\"95\" width=\"62\" height=\"60\" rx=\"9\" class=\"d-mint\" \u002F>\u003Ctext x=\"669\" y=\"130\" text-anchor=\"middle\" class=\"d-text\">Top 10\u003C\u002Ftext>",[273],"A három lekérdezés keret, nem cél: minden plusz ág keresési munkát és még egy drift-esélyt ad.",{"type":141,"content":275},[276],"A több nem automatikusan jobb. Ugyanaz a TREC RAG 2025 rendszer, amely a HyDE-től nyert, azt találta, hogy a parafrazálás következetesen rontotta a pontosságot; a szerzők ezt szemantikus driftnek tulajdonítják. A parafrázis elvisz attól, amit a vevő értett, a szinonima vagy attribútum oldalra mozdít. Tehát más tengelyek mentén bővítsünk. Az alapom három lekérdezés: önálló, azonosítós, egy attribútumos változat. RRF-fel fúzionálok, cikkszám szerint deduplikálok, a jelöltlistát a rerankelés előtt korlátozom.",{"type":148,"level":149,"id":122,"text":123},{"type":141,"content":279},[280],"A szűrők azok, ahol az asszisztens értéket ad, és ahol a legtöbb kárt okozza. Az „500 alatt\" árszűrő, a „raktáron\" elérhetőségi szűrő, a „múltkoriak\" keresés a rendelési előzményekben. Az Amazon Bedrock Knowledge Bases kínálja a mintát: metaadat-attribútumokat (kulcs, típus, leírás) és egy modellt írunk le, a szolgáltatás pedig a keresés előtt szűrőt generál, string, number, boolean és string list típusokkal.",{"type":141,"content":282},[283,284,289],"A döntő a preferenciaszűrők (a felhasználó szavai: anyag, méret, márka, árplafon) és a jogosultsági szűrők (a fiók: kínálat, árlista, raktár, látható termékek) szétválasztása. Az első osztályt javasolhatja a modell, a másodikat soha nem hozhatja létre. Ha az átírás beállíthatja az árlistát, egy értékelésbe ágyazott ",{"tag":285,"to":286,"children":287},"link","\u002Fblog\u002Fprompt-injection-lethal-trifecta-patterns",[288],"prompt injection"," kedvezménnyé válik. A preferenciaosztályon belül: mezők engedélyezése, típusellenőrzés, tartományok korlátozása, ismeretlen mezők elutasítása. A csendben eltűnő szűrő rosszabb a nulla találatos oldalnál, mert a vevő azt hiszi, érvényesült.",{"type":291,"variant":292,"title":293,"body":294},"callout","warn","A szűrő jogosultsági döntés",[295],[296],"Az átírás szűkítheti a keresést arra, amit a vevő kért; nem szélesítheti arra, amit láthat. A kínálat, a szerződéses ár, a szállítási ország és a dokumentumok láthatósága a munkamenetből és az ERP-ből jön, a keresés előtt minden sávon érvényesül, és soha nem része a modell JSON-jának.",{"type":148,"level":149,"id":125,"text":126},{"type":141,"content":299},[300],"Az Azure query rewriting dokumentációjában van a legfontosabb figyelmeztetés: az átírt lekérdezés nem feltétlenül tartalmazza az eredeti összes pontos kifejezését, ami rontja az egyedi azonosítókat és termékkódokat. Egy embeddingnek a 4711-32 és a 4711-33 szomszédok; egy vevőnek két különböző alkatrész.",{"type":141,"content":302},[303,304,308],"A megoldás eljárási. Az azonosítójelölteket a modell elé kell kiemelni (elválasztós számok, beszállítói előtagok, EAN-ok, rajzszámok), helyőrzőkre cserélni, a többit átíratni, majd szó szerint visszatenni must-keep listaként és külön lexikális lekérdezésként. A mértékegységeket a szűrőkhöz normalizáljuk (az 5 l, 5L és 5000 ml egy kiszerelés), a beírt formát a lexikális sávnak tartjuk meg. Ehhez regressziós fixture: ötven valódi azonosító, és egy teszt, hogy mindegyik túlél minden prompt- és modellváltozást. A teljesebb architektúra a ",{"tag":285,"to":305,"children":306},"\u002Fblog\u002Fsemantic-product-search-b2b",[307],"B2B webshopok szemantikus termékkeresése"," cikkben van.",{"type":148,"level":149,"id":128,"text":129},{"type":141,"content":311},[312],"Az átírás plusz modellhívás a keresés előtt, a keresés pedig utána akár háromszor fut. A számla három része: átírási tokenek, plusz keresési és rerankelési munka, valamint a leglassabb ág faroklatenciája. A Microsoft tíz átírást említ egy 32 tokenes lekérdezésre 147 ms alatt, és ötven, 2048 tokenes dokumentum szemantikus rerankelését 158 ms alatt egy specializált kis modellnél. Egy általános chatmodell lassabb.",{"type":189,"head":314,"rows":323},[315,317,319,321],[316],"Kar",[318],"Hozzáad",[320],"Elvisz",[322],"Alap",[324,333,342,351,359],[325,327,329,331],[326],"Nincs átírás",[328],"semmit",[330],"elromlott követő kérdések",[332],"csak az 1. kör",[334,336,338,340],[335],"Egy átírás",[337],"egy SLM-hívás",[339],"körülbelül 150 ms az Azure beállításában",[341],"igen",[343,345,347,349],[344],"Három lekérdezés + RRF",[346],"háromszoros keresés, fúzió",[348],"latencia, drift",[350],"alacsony confidence",[352,353,355,357],[12],[354],"generálás + embedding",[356],"plusz inferencia, rossz szókincs",[358],"nem azonosítóknál",[360,362,364,366],[361],"Szűrőkinyerés",[363],"séma a promptban",[365],"validáció, jogosultsági kockázat",[367],"igen, validálva",{"type":141,"content":369},[370],"Az Azure agentic retrieval beállításként kínálja ugyanezt: minimal effort mellett nincs LLM-es tervezés, low mellett egy tervezési menet, medium mellett egy követő iteráció, és minden iteráció latenciát és költséget ad. A Bedrock dekompozíciója hasonló szorzót hoz: a rerankelt találatok akár ötszörösére nőhetnek a lekért találatoknak.",{"type":141,"content":372},[373,374,378],"Tehát körönként budgetáljunk. Csak akkor írjunk át, ha a kör megkívánja: névmás, ellipszis, megváltozott feltétel, témaváltás. Strukturált feltételállapotot tartsunk az átirat helyett, stabil rendszerpromptot és sémát a ",{"tag":285,"to":375,"children":376},"\u002Fblog\u002Fllm-cost-latency-prompt-caching-routing",[377],"prompt cachinghez",", kis modellt az átíráshoz, és kemény timeoutot visszaeséssel az eredeti lekérdezésre és az örökölt szűrőkre. Egy késő átírás még adjon helyes választ, csak kevésbé okosat.",{"type":148,"level":149,"id":131,"text":132},{"type":141,"content":381},[382],"A kézenfekvő metrika az emberi átíráshoz való hasonlóság. Rossz cél: a MiniELM szerzői szerint nincs egyértelmű ground truth az ideális átírásra, és nem is kell lennie, mert több átírás ugyanazokat a helyes termékeket hozhatja. A keresést és a választ értékeljük.",{"type":141,"content":384},[385],"Az eval-készletet valódi munkamenetekből építsük. Körönként rögzítsük a felhasználói üzenetet, az átíró által látott állapotot és az elfogadható terméket. Offline játsszuk vissza több ágon: eredeti lekérdezés, egy átírás, átírás plusz HyDE, három fúzionált lekérdezés. A recall@k-t körindex szerint jelentsük, mert az első és az ötödik kör más okból hibázik.",{"type":189,"head":387,"rows":394},[388,390,392],[389],"Metrika",[391],"Kérdés",[393],"Hol számoljuk",[395,402,408,415,421],[396,398,400],[397],"recall@k",[399],"a helyes termék a jelöltek között van?",[401],"keresés, körönként",[403,405,407],[404],"nDCG@10",[406],"a releváns termékek az élen vannak?",[401],[409,411,413],[410],"szűrő precision és recall",[412],"a szűrők megfelelnek a kézi címkéknek?",[414],"átírás kimenete",[416,418,420],[417],"azonosító-megőrzés",[419],"minden cikkszám megmaradt?",[414],[422,424,426],[423],"faithfulness, response relevancy",[425],"a válasz alátámasztott és témába vág?",[427],"generálás",{"type":141,"content":429},[430],"Az utolsó sor Ragas-metrikákat használ. A faithfulness azt fogja meg, amikor a modell emlékezetből tölti ki a réseket; a response relevancy azt, amikor udvariasan más kérdésre válaszol. Egyik sem helyettesíti azt, hogy száz választ ember nézzen át, főleg ahol egy rossz kompatibilitási állítás visszáru.",{"type":141,"content":432},[433,434,438],"Naplózzuk az ellentényt: eredeti lekérdezés, átírt lekérdezések, szűrők, jelöltazonosítók, a végső válasz azonosítója. Enélkül nem tudjuk, hogy egy rossz válasz az átírásból, a keresőből vagy a generátorból jött. A metrikatervezés ugyanaz, mint a ",{"tag":285,"to":435,"children":436},"\u002Fblog\u002Frag-evaluation-metrics",[437],"RAG kiértékelése"," cikkben; az egység a munkamenet, a fontos szegmensek pedig a körindex, a kérdéstípus és a nyelv.",{"type":148,"level":149,"id":134,"text":135},{"type":141,"content":441},[442],"A verzió, amit egy webshop elé tennék, a kérés sorrendjében:",{"type":266,"attrs":444,"inner":447,"caption":448},{"viewBox":445,"role":269,"aria-labelledby":446},"0 0 720 170","csqr-flow-t csqr-flow-d","\u003Ctitle id=\"csqr-flow-t\">Az átíró pipeline\u003C\u002Ftitle>\u003Cdesc id=\"csqr-flow-d\">A munkamenet-állapot egy kis átírón, validátoron, két keresési sávon, rangfúzión és hivatkozott válaszon megy át. Bármely validációs hiba az eredeti lekérdezésre esik vissza az örökölt szűrőkkel.\u003C\u002Fdesc>\u003Cdefs>\u003Cmarker id=\"csqr-flow-ah\" viewBox=\"0 0 10 10\" refX=\"9\" refY=\"5\" markerWidth=\"7\" markerHeight=\"7\" orient=\"auto-start-reverse\">\u003Cpath d=\"M0 0L10 5L0 10z\" class=\"d-head\" \u002F>\u003C\u002Fmarker>\u003C\u002Fdefs>\u003Crect x=\"20\" y=\"47\" width=\"95\" height=\"76\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"68\" y=\"81\" text-anchor=\"middle\" class=\"d-text\">Munkamenet\u003C\u002Ftext>\u003Ctext x=\"68\" y=\"103\" text-anchor=\"middle\" class=\"d-small\">állapot\u003C\u002Ftext>\u003Cpath d=\"M115 85H135\" class=\"d-line\" marker-end=\"url(#csqr-flow-ah)\" \u002F>\u003Crect x=\"137\" y=\"47\" width=\"95\" height=\"76\" rx=\"10\" class=\"d-sky\" \u002F>\u003Ctext x=\"184\" y=\"81\" text-anchor=\"middle\" class=\"d-text\">Átírás\u003C\u002Ftext>\u003Ctext x=\"184\" y=\"103\" text-anchor=\"middle\" class=\"d-small\">SLM\u003C\u002Ftext>\u003Cpath d=\"M232 85H252\" class=\"d-line\" marker-end=\"url(#csqr-flow-ah)\" \u002F>\u003Crect x=\"254\" y=\"47\" width=\"95\" height=\"76\" rx=\"10\" class=\"d-gold\" \u002F>\u003Ctext x=\"302\" y=\"81\" text-anchor=\"middle\" class=\"d-text\">Ellenőrzés\u003C\u002Ftext>\u003Ctext x=\"302\" y=\"103\" text-anchor=\"middle\" class=\"d-small\">séma\u003C\u002Ftext>\u003Cpath d=\"M349 85H369\" class=\"d-line\" marker-end=\"url(#csqr-flow-ah)\" \u002F>\u003Crect x=\"371\" y=\"47\" width=\"95\" height=\"76\" rx=\"10\" class=\"d-mint\" \u002F>\u003Ctext x=\"418\" y=\"81\" text-anchor=\"middle\" class=\"d-text\">Keresés\u003C\u002Ftext>\u003Ctext x=\"418\" y=\"103\" text-anchor=\"middle\" class=\"d-small\">2 sáv\u003C\u002Ftext>\u003Cpath d=\"M466 85H486\" class=\"d-line\" marker-end=\"url(#csqr-flow-ah)\" \u002F>\u003Crect x=\"488\" y=\"47\" width=\"95\" height=\"76\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"536\" y=\"81\" text-anchor=\"middle\" class=\"d-text\">Fúzió\u003C\u002Ftext>\u003Ctext x=\"536\" y=\"103\" text-anchor=\"middle\" class=\"d-small\">RRF\u003C\u002Ftext>\u003Cpath d=\"M583 85H603\" class=\"d-line\" marker-end=\"url(#csqr-flow-ah)\" \u002F>\u003Crect x=\"605\" y=\"47\" width=\"95\" height=\"76\" rx=\"10\" class=\"d-box\" \u002F>\u003Ctext x=\"652\" y=\"81\" text-anchor=\"middle\" class=\"d-text\">Válasz\u003C\u002Ftext>\u003Ctext x=\"652\" y=\"103\" text-anchor=\"middle\" class=\"d-small\">hivatkozva\u003C\u002Ftext>",[449],"A validator megakadályozza, hogy egy folyékony átírásból rossz szűrő, elveszett cikkszám vagy jogosultsági szivárgás legyen.",{"type":158,"ordered":451,"items":452},true,[453,455,457,459,461],[454],"Normalizálás és védelem: nyelvfelismerés, azonosítók és mértékegységek kiemelése, a beírt forma megtartása.",[456],"Döntés: csak hivatkozás, ellipszis, megváltozott feltétel vagy témaváltás esetén írjunk át; különben engedjük tovább.",[458],"Átírás szigorú JSON-szerződésbe: önálló lekérdezés, must-keep kifejezések, preferenciaszűrők, confidence, opcionális tisztázás.",[460],"Séma, mezők, típusok és azonosítók validálása; hiba esetén vissza az eredeti lekérdezésre és az örökölt szűrőkre.",[462],"Először az azonosítós sáv, aztán hibrid, RRF-fel fúzionálva, rerankelve, hivatkozott válasz és az értelmezett lekérdezés megjelenítése.",{"type":464,"code":465},"code","\u002F\u002F The rewrite contract: the model returns this, nothing else.\ntype Rewrite = {\n  standalone: string        \u002F\u002F query for the retriever\n  must_keep: string[]       \u002F\u002F part numbers, units, model names\n  filters: { field: string; op: \"eq\" | \"gte\" | \"lte\" | \"in\"; value: string | number | string[] }[]\n  confidence: number\n  clarify?: { question: string; options: string[] }\n}\n\nconst PREFERENCE = new Set([\"material\", \"thread\", \"length_mm\", \"brand\", \"price_net\"])\nconst ENTITLEMENT = new Set([\"assortment_id\", \"price_list_id\", \"ship_country\"])\n\nfunction validate(r: Rewrite, identifiers: string[]) {\n  if (r.filters.some((f) => ENTITLEMENT.has(f.field))) throw new Error(\"entitlement filter from model\")\n  if (r.filters.some((f) => !PREFERENCE.has(f.field))) throw new Error(\"unknown filter field\")\n  if (!identifiers.every((id) => r.must_keep.includes(id))) throw new Error(\"identifier lost\")\n  return r\n}",{"type":141,"content":467},[468],"Ha a válasz alatt ott van, hogy „Keresés: inox csavar A6, 5 l, ár 500 EUR-ig\", az egy sor UI, és a legtöbb átírási hibát elkapja, mielőtt supportjegy lesz. A vevő szakértő; adjuk neki a javítás lehetőségét.",{"type":141,"content":470},[471],"A nehéz részek az unalmasak: az azonosítóőr, a jogosultságok szétválasztása, a munkamenet-alapú eval-készlet, a visszaesés. A modell a könnyű komponens.",{"type":148,"level":149,"id":137,"text":138},{"type":158,"ordered":451,"items":474},[475,479,482,485,488,491,494,497,500,503,506],[476],{"tag":477,"href":38,"children":478},"a",[37],[480],{"tag":477,"href":41,"children":481},[40],[483],{"tag":477,"href":44,"children":484},[43],[486],{"tag":477,"href":47,"children":487},[46],[489],{"tag":477,"href":50,"children":490},[49],[492],{"tag":477,"href":53,"children":493},[52],[495],{"tag":477,"href":56,"children":496},[55],[498],{"tag":477,"href":59,"children":499},[58],[501],{"tag":477,"href":62,"children":502},[61],[504],{"tag":477,"href":65,"children":505},[64],[507],{"tag":477,"href":68,"children":508},[67],[510,584,642,700],{"slug":511,"published":5,"minutes":512,"category":7,"tags":513,"keywords":518,"about":531,"sources":541,"cover":578,"og":579,"expertise":71,"locales":580,"lang":75,"title":581,"description":582,"coverAlt":583},"embedding-model-selection-2026",9,[514,11,515,516,517],"Embeddings","MTEB","Vector search","Model selection",[519,520,521,522,523,524,525,526,527,528,529,530],"best embedding model 2026","how to choose an embedding model","embedding model comparison","MTEB leaderboard explained","RTEB benchmark","open source embedding model","multilingual embedding model","voyage-4 vs openai embeddings","Qwen3-Embedding","EmbeddingGemma","embedding model for RAG","switching embedding models re-embed",[532,535,538],{"name":533,"url":534},"Word embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWord_embedding",{"name":536,"url":537},"Information retrieval","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FInformation_retrieval",{"name":539,"url":540},"Discounted cumulative gain","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDiscounted_cumulative_gain",[542,545,548,551,554,557,560,563,566,569,572,575],{"title":543,"url":544},"Enevoldsen et al.: MMTEB, Massive Multilingual Text Embedding Benchmark (2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.13595",{"title":546,"url":547},"Hugging Face: Introducing RTEB, a new standard for retrieval evaluation (Oct 2025)","https:\u002F\u002Fhuggingface.co\u002Fblog\u002Frteb",{"title":549,"url":550},"OpenAI: Vector embeddings guide","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fembeddings",{"title":552,"url":553},"OpenAI: API pricing","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fpricing",{"title":555,"url":556},"Voyage AI: The Voyage 4 model family, shared embedding space with MoE architecture (Jan 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F01\u002F15\u002Fvoyage-4\u002F",{"title":558,"url":559},"Voyage AI: Text embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fembeddings",{"title":561,"url":562},"Voyage AI: Pricing","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fpricing",{"title":564,"url":565},"Google: Gemini API embeddings documentation","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fembeddings",{"title":567,"url":568},"Google: Gemini API pricing","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Fpricing",{"title":570,"url":571},"Cohere: Embed models documentation","https:\u002F\u002Fdocs.cohere.com\u002Fdocs\u002Fcohere-embed",{"title":573,"url":574},"Qwen: Qwen3-Embedding-8B model card","https:\u002F\u002Fhuggingface.co\u002FQwen\u002FQwen3-Embedding-8B",{"title":576,"url":577},"Google Developers Blog: Introducing EmbeddingGemma (Sep 2025)","https:\u002F\u002Fdevelopers.googleblog.com\u002Fen\u002Fintroducing-embeddinggemma\u002F","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fembedding-model-selection-2026\u002Fog.jpg",[73,74,75],"Embedding-modell választása 2026-ban: ranglisták, költségek és összehasonlító teszt a saját adatokon","Hogyan válassz embedding-modellt RAG-hoz 2026-ban: mit mond az MTEB és az RTEB, API vagy nyílt súlyok, árak, dimenziók és egy egyhetes összehasonlító teszt.","Három oszlop egymásra rakott kockákból, középen a legmagasabb, mindegyik rövid sávval mérve.",{"slug":585,"published":5,"minutes":586,"category":7,"tags":587,"keywords":591,"about":603,"sources":611,"cover":636,"og":637,"expertise":71,"locales":638,"lang":75,"title":639,"description":640,"coverAlt":641},"contextual-retrieval-late-chunking",10,[11,588,514,589,590],"Chunking","Contextual retrieval","Late chunking",[592,593,594,595,596,597,598,599,600,601,602],"contextual retrieval","anthropic contextual retrieval","late chunking","contextual chunk embeddings","contextual embeddings rag","contextual bm25","chunk context rag","voyage-context-3","voyage-context-4","late chunking vs contextual retrieval","rag chunking context loss",[604,607,608],{"name":605,"url":606},"Retrieval-augmented generation","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FRetrieval-augmented_generation",{"name":33,"url":34},{"name":609,"url":610},"Sentence embedding","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSentence_embedding",[612,615,618,621,624,627,630,633],{"title":613,"url":614},"Anthropic: Introducing Contextual Retrieval (Sep 2024)","https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fcontextual-retrieval",{"title":616,"url":617},"Günther et al.: Late Chunking, Contextual Chunk Embeddings Using Long-Context Embedding Models (2024, rev. 2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2409.04701",{"title":619,"url":620},"Jina AI: Late Chunking in Long-Context Embedding Models (Aug 2024)","https:\u002F\u002Fjina.ai\u002Fnews\u002Flate-chunking-in-long-context-embedding-models\u002F",{"title":622,"url":623},"Voyage AI: Introducing voyage-context-3 (Jul 2025)","https:\u002F\u002Fblog.voyageai.com\u002F2025\u002F07\u002F23\u002Fvoyage-context-3\u002F",{"title":625,"url":626},"Voyage AI: voyage-context-4 (Jun 2026)","https:\u002F\u002Fblog.voyageai.com\u002F2026\u002F06\u002F29\u002Fvoyage-context-4\u002F",{"title":628,"url":629},"Voyage AI: Contextualized chunk embeddings documentation","https:\u002F\u002Fdocs.voyageai.com\u002Fdocs\u002Fcontextualized-chunk-embeddings",{"title":631,"url":632},"Anthropic: Claude API pricing","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fabout-claude\u002Fpricing",{"title":634,"url":635},"Qu, Tu and Bao: Is Semantic Chunking Worth the Computational Cost? (2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2410.13070","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcontextual-retrieval-late-chunking\u002Fog.jpg",[73,74,75],"Kontextuális visszakeresés és késleltetett chunkolás: a RAG-chunkok visszakapják a kontextusukat","A chunkok elveszítik a dokumentumukat. Hogyan javít ezen a contextual retrieval, a late chunking és a kontextusos embedding, mennyibe kerül, és mikor hagyd ki.","Négy szabad négyzet, alul széles kapocs fogja össze, mindegyik felfelé egy nagy laphoz kapcsolódik.",{"slug":643,"published":5,"minutes":512,"category":7,"tags":644,"keywords":648,"about":661,"sources":669,"cover":694,"og":695,"expertise":71,"locales":696,"lang":75,"title":697,"description":698,"coverAlt":699},"rag-access-control-permissions",[11,645,646,647,516],"Access control","Security","Multi-tenancy",[649,650,651,652,653,654,655,656,657,658,659,660],"rag access control","permission aware rag","document level security rag","rag multi tenancy","vector database access control","pgvector row level security","security trimming azure ai search","openfga rag authorization","qdrant multitenancy","pinecone namespaces multitenancy","owasp llm08 vector and embedding weaknesses","rag data leakage",[662,665,668],{"name":663,"url":664},"Access-control list","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAccess-control_list",{"name":666,"url":667},"Multitenancy","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultitenancy",{"name":605,"url":606},[670,673,676,679,682,685,688,691],{"title":671,"url":672},"OWASP GenAI Security Project: LLM08:2025 Vector and Embedding Weaknesses","https:\u002F\u002Fgenai.owasp.org\u002Fllmrisk\u002Fllm082025-vector-and-embedding-weaknesses\u002F",{"title":674,"url":675},"PostgreSQL documentation: Row Security Policies","https:\u002F\u002Fwww.postgresql.org\u002Fdocs\u002Fcurrent\u002Fddl-rowsecurity.html",{"title":677,"url":678},"pgvector README: filtering and iterative index scans","https:\u002F\u002Fgithub.com\u002Fpgvector\u002Fpgvector",{"title":680,"url":681},"Qdrant: Multitenancy and partitions guide","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fguides\u002Fmultiple-partitions\u002F",{"title":683,"url":684},"Pinecone: Implement multitenancy using namespaces","https:\u002F\u002Fdocs.pinecone.io\u002Fguides\u002Findex-data\u002Fimplement-multitenancy",{"title":686,"url":687},"Microsoft Learn: Document-level access control in Azure AI Search","https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fsearch\u002Fsearch-document-level-access-overview",{"title":689,"url":690},"OpenFGA: RAG authorization use case","https:\u002F\u002Fopenfga.dev\u002Fdocs\u002Fuse-cases\u002Frag-authorization",{"title":692,"url":693},"Morris et al.: Text Embeddings Reveal (Almost) As Much As Text (EMNLP 2023)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.06816","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-access-control-permissions\u002Fog.jpg",[73,74,75],"Hozzáférés-kezelés RAG-hoz: jogosultságtudatos visszakeresés dokumentumszivárgás nélkül","Hogyan szivárogtatnak dokumentumot a RAG-asszisztensek, és hogyan állítsd meg: ACL minden chunkon, előszűrés, sorszintű biztonság pgvectorban, jogszinkron.","Hét kártya sorban, haton lakat jelvény, a csupasz kártya nyilat küld kifelé.",{"slug":701,"published":5,"minutes":586,"category":7,"tags":702,"keywords":707,"about":719,"sources":727,"cover":754,"og":755,"expertise":756,"locales":757,"lang":75,"title":758,"description":759,"coverAlt":760},"rag-product-catalog-pim-data",[11,703,704,705,706],"PIM","Product data","B2B e-commerce","Metadata filtering",[708,709,710,711,712,713,714,715,716,717,718],"rag product catalog","rag pim data","llm product data","product catalog chatbot","akeneo rag","pimcore ai search","rag structured data","metadata filtering rag","product attributes embeddings","b2b product assistant","etim classification ai",[720,723,724],{"name":721,"url":722},"Product information management","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FProduct_information_management",{"name":605,"url":606},{"name":725,"url":726},"ETIM (standard)","https:\u002F\u002Fwww.etim-international.com\u002Fclassification\u002F",[728,731,734,737,739,742,745,748,751],{"title":729,"url":730},"Akeneo API: Products, product values, metric values and product models","https:\u002F\u002Fapi.akeneo.com\u002Fconcepts\u002Fproducts.html",{"title":732,"url":733},"Akeneo Help Center: What about products with variants?","https:\u002F\u002Fhelp.akeneo.com\u002Fserenity-take-the-power-over-your-products\u002Fserenity-what-about-products-with-variants",{"title":735,"url":736},"Pimcore documentation: Classification Store","https:\u002F\u002Fdocs.pimcore.com\u002Fplatform\u002FPimcore\u002FObjects\u002FObject_Classes\u002FData_Types\u002FClassification_Store\u002F",{"title":738,"url":726},"ETIM International: Classification",{"title":740,"url":741},"ETIM International: ETIM releases and the IXF format","https:\u002F\u002Fetim-international.com\u002F?p=754",{"title":743,"url":744},"Reddy et al.: Shopping Queries Dataset, a large-scale ESCI benchmark for improving product search (2022)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2206.06588",{"title":746,"url":747},"Amazon Science: esci-data repository","https:\u002F\u002Fgithub.com\u002Famazon-science\u002Fesci-data",{"title":749,"url":750},"Qdrant documentation: Filtering","https:\u002F\u002Fqdrant.tech\u002Fdocumentation\u002Fconcepts\u002Ffiltering\u002F",{"title":752,"url":753},"Sui et al.: Table Meets LLM, can large language models understand structured table data? (WSDM 2024)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.13062","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fcover.webp","\u002Fimages\u002Fblog\u002Frag-product-catalog-pim-data\u002Fog.jpg","b2b-ecommerce-developer",[73,74,75],"RAG termékkatalógusra: PIM-adatokból megbízható válaszok","A termékadat strukturált, ezért a PDF-szerű chunkolás itt elbukik. Hogyan sorosítsd a PIM-attribútumokat, és hogyan küldd a specifikációs kérdéseket szűrőkhöz.","Kilenc négyzetből álló keret apró jelekkel, alatta tölcsér egyetlen kártyához.",1792245343946]