What is RAGFlow and how do I use it for document QA?

RAGFlow is a framework for building retrieval-augmented generation pipelines. You ingest, chunk, embed, retrieve, and generate answers with citations to reduce hallucinations and improve accuracy.

How should I chunk documents in RAGFlow?

Use semantic or hybrid chunking with 600–1,000 token chunks and 50–100 token overlap. For code, chunk by function or class and include surrounding context.

Which vector database works best with RAGFlow?

Choose a store that supports hybrid search, metadata filters, and reranking—Qdrant, Weaviate, Pinecone, or a local option are all common choices.

How do I prevent hallucinations in a RAGFlow app?

Enforce a cite‑or‑silence policy, add an answerability check before generation, and keep prompts strict about using only retrieved context.

What metrics should I track to evaluate RAGFlow?

Monitor retrieval hit rate, answer faithfulness, latency, and cost per 100 queries, and maintain a small but representative evaluation set.

RAGFlowን እንዴት መጠቀም እንደሚቻል፡- መተግበሪያዎችን ለመገንባት ተግባራዊ መመሪያ

የመልሶ ማግኛ-የተደገፈ ትውልድ () ስርዓትን ለመገንባት ሞክረው ከሆነ፣ ምናልባትም የሚከተሉት ችግሮች አጋጥመውዎት ይሆናል፡- ድምቀት (hallucinations)፣ ተለዋዋጭ መልሶ ማግኛ፣ ቀርፋፋ የመረጃ መስመሮች (pipelines)፣ እና ያልተስተካከለ የሰነድ ቅድመ-ሂደት። ሰነዶችን መውሰድን፣ መክተፍን፣ ቬክተር ማድረግን፣ መልሶ ማግኘትን እና ትውልድን በበለጠ ቁጥጥር እና ክትትል እንዲያስተባብሩ የሚያግዝዎ ከጫፍ እስከ ጫፍ የስራ ፍሰት መሳሪያ ሆኖ ይሰራል።

ይህ መመሪያ ተግባራዊ እና መፍትሄን ያማከለ አካሄድ ይወስዳል። ንጹህ አደረጃጀትን እንቃኛለን፣ ን ለትክክለኛ ሰነዶች እንዴት እንደሚጠቀሙበት እና በእውነቱ ድምቀትን የሚቀንሱ እና የጥያቄዎችን ጥራት የሚያሻሽሉ መንገዶችን እናካፍላለን።

ምንድን ነው እና ለምን እንጠቀመዋለን?

የመልሶ ማግኛ-የተደገፈ ትውልድ የመረጃ መስመሮችን ለመገንባት የሚያገለግል ስርዓት ነው። በተለመደው የ አደረጃጀት ውስጥ፡-

ሰነዶችን መውሰድ (፣ የድር ገጾች፣ ስላይዶች፣ ኮድ፣ ወዘተ)

ይዘትን ወደ ሚመለሱ ክፍሎች መክተፍ

ለትርጉም ፍለጋ ቬክተሮችን ወደ መክተፍ

ጥያቄ በሚነሳበት ጊዜ ከላይ ያሉትን ተዛማጅ ክፍሎችን መልሶ ማግኘት

ን በመጠቀም የተመሰረተ መልስ ማመንጨት

ፈጣን ድግግሞሽ እንዲኖርዎት እና የበለጠ አስተማማኝ መተግበሪያዎችን እንዲልኩ የተወሰኑ ነባሪዎችን፣ የስራ ፍሰት ብሎኮችን እና የመከላከያ መመሪያዎችን ይጨምራል። በተለይ የሚከተሉትን ከፈለጉ ጠቃሚ ነው፡-

ቋሚ ክፍፍል እና ሜታዳታ፡ የተሻለ መልሶ ማግኘት የሚጀምረው በተሻለ ክፍፍል ነው።

ተሰኪ የሆኑ Embeddings እና LLMs፡ ን፣ አካባቢያዊ ሞዴሎችን ወይም የድርጅት የመጨረሻ ነጥቦችን ይቀይሩ።

ግምገማዎች እና የመከላከያ መመሪያዎች፡ የመልሶ ማግኛ ጥራትን ይለኩ እና ድምቀትን ይቀንሱ።

ሊሰማሩ የሚችሉ የመረጃ መስመሮች፡ በኮድ ማስታወሻ ደብተር (notebook) ከጥቂት ድጋሚ ጽሁፎች ጋር ወደ ምርት ይሂዱ።

ፈጣን ጅምር፡ ከዜሮ ወደሚሰራ የ የመረጃ መስመር

ከዚህ በታች ሊያስተካክሉት የሚችሉት አነስተኛ፣ ከጫፍ እስከ ጫፍ የስራ ፍሰት አለ። አካባቢዎ የተለየ ቢሆንም እንኳ ቅደም ተከተል እና የመከላከያ መመሪያዎች ተንቀሳቃሽ ናቸው።

1) አካባቢዎን ያዘጋጁ

ቁልፎችዎን የያዘ .env ፋይል ይፍጠሩ፡-

OPENAI_API_KEY (ወይም ሌላ አቅራቢ)

EMBEDDINGS_API_KEY (የተለየ አቅራቢ የሚጠቀሙ ከሆነ)

VECTOR_DB_URL (ለምሳሌ፡- ፣ ፣ ፣ ወይም አካባቢያዊ)

ለምሳሌ፡- ragflow-project/ የሆነ የፕሮጀክት ማውጫን አዘጋጁ፣ ማውጫዎቹም የሚከተሉት ናቸው፡-

data/raw/ (የመነሻ ፋይሎች)

data/processed/ (የተስተካከሉ ክፍሎች)

configs/ (ለማስተካከል የሚያገለግሉ የ ፋይሎች)

eval/ (የመረጃ ስብስቦች እና ሪፖርቶች)

2) ሰነዶችን በንጹህ ሜታዳታ ያስገቡ

ጥሩ ሜታዳታ = የተሻለ መልሶ ማግኘት። ርዕሶችን፣ ደራሲዎችን፣ ቀኖችን እና ምንጮችን መደበኛ ያድርጉ።

ዎችን እና ስላይዶችን ወደ ጽሑፍ በጠንካራ መተንተኛ ይለውጡ

አወቃቀሩን ይጠብቁ፡ ርዕሶች፣ ዝርዝሮች፣ የኮድ ብሎኮች እና ሠንጠረዦች

እያንዳንዱን ክፍል ሜታዳታ ያያይዙ፡ source፣ section፣ page፣ timestamp፣ version

ጠቃሚ ምክር፡ የጥቅሶችን እና ድጋሚ ማስገባትን ለመደገፍ doc_id እና chunk_id ያስቀምጡ።

3) ከይዘትዎ ጋር የሚስማማ የመክተቻ ስልት ይምረጡ

መክተፍ የመልሶ ማግኛ ጥራትን እና ድግግሞሽን በእጅጉ ይነካል።

ለተረካቢ ሰነዶች፡- semantic chunking (በአርዕስቶች/አንቀጾች ይከፋፍሉ)

ለቴክኒካዊ ሰነዶች፡- hybrid chunking ይጠቀሙ (ትርጉም + ቋሚ መስኮት)

ለኮድ፡ በትንሽ ተንሸራታች መስኮት function/class ይክተፉ

ለመጀመር የሚመከሩ ቅንብሮች፡-

chunk_size፡ 600–1,000 ቶከኖች

chunk_overlap፡ 50–100 ቶከኖች

max_depth፡ ስብራትን ለማስወገድ የተደረደሩ ክፍሎችን በ2–3 ደረጃዎች ይገድቡ

4) Embeddings እና የቬክተር ማከማቻ ይምረጡ

በጠንካራ አጠቃላይ-ዓላማ Embedding ሞዴል ይጀምሩ (ለምሳሌ፡- ወይም ዘመናዊ አካባቢያዊ ሞዴል)። ግላዊነት ቁልፍ ከሆነ እራስን የሚያስተናግዱ Embeddingsን ያስቡ።

የሚከተሉትን የሚደግፍ የቬክተር ይጠቀሙ፡-

Hybrid search (dense + ቁልፍ ቃል)

Filters (የሜታዳታ ገደቦች)

Batch upserts እና index metrics

ለመፈተሽ የማውጫ ቅንብሮች፡-

top_k = 5–10 ለመጀመሪያ መልሶ ማግኛ

similarity_metric = cosine (ወይም ለአንዳንድ ሞዴሎች dot)

ድግግሞሽን ለመቀነስ max marginal relevance (<b>MMR</b>)ን አንቃ

5) የመልሶ ማግኛ አስተዳደር

ባለሁለት-ደረጃ መልሶ ማግኛን ይተግብሩ፡-

ፈጣን እጩ ማስታወስ

Hybrid search ( + dense)

ትልቅ top_k (ለምሳሌ፡- 30–50)

ዳግም ደረጃ መስጠት

Cross-encoder ዳግም ደረጃ ሰጪ ወይም በ ላይ የተመሰረተ ውጤት

ወደ መጨረሻው top_k ይቀንሱ (ለምሳሌ፡- 5–8)

መልሶችን ወደ ታማኝ ሰነዶች ለመገደብ የሜታዳታ ማጣሪያዎችን ያክሉ፡- source:"handbook" AND section:"benefits" AND version:"v2"።

6) በመዋቅር ላይ የተመሰረተ ትውልድ

የእርስዎ ጥያቄ ማስረጃው ደካማ በሚሆንበት ጊዜ የጥቅሶችን እና እምቢታን ማስፈጸም አለበት።

የስርዓት ጥያቄ ምሳሌ፡-

እርስዎ ጥንቁቅ ረዳት ነዎት። በተሰጠው ዐውደ-ጽሑፍ በሚደገፍ መረጃ  ይመልሱ።
- ምንጮችን እንደ [doc_id:chunk_id] በመስመር ላይ ይጠቅሱ።
- ዐውደ-ጽሑፉ በቂ ካልሆነ፣ "በተሰጡት ሰነዶች ውስጥ በቂ መረጃ የለም" ይበሉ።
- እውነታዎችን አይፍጠሩ።

የተጠቃሚ ጥያቄ አብነት፡-

ጥያቄ፡ {query}
ዐውደ-ጽሑፍ፡
{top_chunks}
መመሪያዎች፡
- በመጀመሪያ አጭር መልስ ይስጡ፣ ከዚያ ዝርዝሮችን ይስጡ።
- ከእያንዳንዱ እውነታ በኋላ ጥቅሶችን ያካትቱ።

7) ድምቀትን ለመቀነስ የመከላከያ መመሪያዎችን ያክሉ

የመልስ ችሎታ ማረጋገጫ፡ ከመፈጠርዎ በፊት አንድ ትንሽ ሞዴል ይጠይቁ፡- “በተመለሱት ክፍሎች ውስጥ ቀጥተኛ ማስረጃ አለ?” የለም ከሆነ፣ ማብራሪያ የሚጠይቅ ጥያቄ ይመልሱ።

ጥቅስ-ወይም-ዝምታ መመሪያ፡ ጥቅሶች የሌሉ ውጤቶችን አግድ።

ለድርጅት ይዘት Toxicity/PII filters።

8) ግምገማ እና ቀጣይነት ያለው መሻሻል

eval/ ስብስብን ከሚከተሉት ጋር ይፍጠሩ፡-

50–200 እውነተኛ የተጠቃሚ ጥያቄዎች

እውነተኛ የመልስ መረጃ (ወይም የታመኑ ማጣቀሻዎች)

የሚጠበቁ ምንጮች (የሰነድ መታወቂያዎች) በሚቻልበት ቦታ

መለኪያ፡

የመልሶ ማግኛ ምት መጠን (ወርቃማው ምንጭ በከፍተኛ‑k ውስጥ ይታያል?)

የመልስ ታማኝነት (በጥቅስ የተደገፉ መግለጫዎች)

Latency (p95 ከጫፍ እስከ ጫፍ)

Cost (በ 100 ጥያቄዎች)

ይድገሙት፡-

የክፍል መጠን እና መደራረብ

Embedding የሞዴል ምርጫ

ዳግም ደረጃ ሰጪ ከፍ ካለ ከፍተኛ‑k ጋር

የጥያቄ አወቃቀር እና ገደቦች

ሙሉ የ የመረጃ መስመር፡ የአብነት ውቅር

ከዚህ በታች የእርስዎን የመሳሪያ ሰንሰለት ማስተካከል የሚችሉበት ጽንሰ-ሃሳባዊ ውቅር አለ። እንደ አስፈላጊነቱ የአቅራቢ ስሞችን ይቀይሩ።

project: product-handbook-rag
io:
input_path: data/raw/
output_index: product-handbook-index
parsing:
pdf:
strategy: auto
keep_layout: true
extract_tables: true
markdown:
preserve_headings: true
chunking:
method: semantic_hybrid
target_tokens: 800
overlap_tokens: 80
windowing: 2
metadata:
fields: [doc_id, title, section, page, version, source]
embeddings:
provider: openai
model: text-embedding-3-large
vectorstore:
type: qdrant
url: ${VECTOR_DB_URL}
similarity: cosine
retrieval:
hybrid: true
lexical_weight: 0.35
semantic_weight: 0.65
candidate_top_k: 40
rerank:
enabled: true
model: bge-reranker-large
final_top_k: 7
generation:
llm: gpt-4o
temperature: 0.2
cite_or_silence: true
guardrails:
answerability_check: true
pii_filter: true
toxicity_filter: moderate
monitoring:
log_traces: true
latency_budget_ms: 3500
cost_budget_per_100: 1.25

ን ለተለያዩ የይዘት ዓይነቶች እንዴት መጠቀም እንደሚቻል

የምርት መመሪያዎች እና የእጅ መጽሃፎች

ግልጽ የክፍል ድንበሮች ያሉት የትርጉም ክፍፍልን ይምረጡ

ጊዜ ያለፈባቸውን መልሶች ለመከላከል ስሪት እና የሚሰራበትን ቀን ያያይዙ

ጥብቅ ማጣሪያዎችን ይጠቀሙ፡ ሁልጊዜ version = latest ያስፈልጋል።

የእውቀት መሰረቶች እና

ትክክለኛ መልሶችን ለማግኘት ትናንሽ ክፍሎችን (400–600 ቶከኖች) ይጠቀሙ

የእጩዎችን ክምችት ይጨምሩ እና ትክክለኛውን ቅንጭብ ለማግኘት በዳግም ደረጃ ላይ ይተማመኑ

በቃላት ፍለጋ መልሶ ማግኘትን ለማሳደግ መደበኛ የ ጥንዶችን በራስ-ሰር ያመንጩ

የምህንድስና ሰነዶች እና ኮድ

በተግባር/ሞጁል ይክተፉ እና የማስመጣት ግራፎችን በሜታዳታ ውስጥ ያካትቱ

የወላጅ-ልጅ መልሶ ማግኘትን አንቃ፡ ተግባሩን + የሰነድ ሕብረቁምፊ ዐውደ-ጽሑፉን ይመልሱ

ተዛማጅ ምልክቶችን ቅድሚያ ለመስጠት ኮድ-አውቆ ዳግም ደረጃ ሰጪ ይጠቀሙ

ህጋዊ እና ተገዢነት

የአንቀጽ-ደረጃ ጥቅሶችን ይጠይቁ

ያልተሟላ ዐውደ-ጽሑፍ እምቢ የማለት አመክንዮ ይጨምሩ

በተለየ ማውጫ ውስጥ የተፈቀደላቸውን ተቆጣጣሪዎች የወርቅ ስብስብ ያስቀምጡ

በእርግጥ የሚሰሩ የጥያቄ ቅጦች

መልስ ከዚያም ጠቅስ፡ ከላይ አጭር መልስ; ከእያንዳንዱ የይገባኛል ጥያቄ በኋላ በመስመር ላይ ጥቅሶች

የመልሶ ማግኛ ሰንሰለት፡ ሞዴሉ እያንዳንዱን ክፍል መጀመሪያ እንዲያጠቃልል ይጠይቁት፣ ከዚያ ያዋህዱ

የጥያቄ ድጋሚ ጽሁፍ፡ መልሶ ከማግኘትዎ በፊት የተጠቃሚ ጥያቄዎችን ተመሳሳይ ቃላት እና የጎራ ቃላት በማስፋት ይጠይቁ

ተቃራኒ ጥያቄዎች፡- “አማራጭ ከዐውደ-ጽሑፉ አንጻር ለምን ከ እንደሚሻል ያብራሩ።” ይህ ማስረጃን መጠቀም ያስገድዳል

የጥያቄ-እንደገና መፃፍ ምሳሌ፡-

መጀመሪያ፡ "የእኛ PTO carryover መመሪያ ምንድን ነው?"
እንደገና ይፃፉ፡ "የእረፍት ጊዜ ፖሊሲን መሸከም፤ የእረፍት ጊዜ ማሳለፍ፤ ከፍተኛ ሰዓታት፤ የፖሊሲ ስሪት የቅርብ ጊዜ"

ክትትል እና ግብረመልስ ዑደቶች

የትኞቹ ክፍሎች ጥቅም ላይ እንደዋሉ፣ ውጤቶቻቸው እና የትኞቹ ችላ እንደተባሉ ይመዝግቡ

አጭር ማመካኛ ያለው አውራ ጣት ወደ ላይ/ወደ ታች ያንሱ፤ ያንን ወደ መልሶ ማግኛ ማስተካከያ ይመልሱ

ማንኛውንም የሞዴል ለውጥ ከመተግበሩ በፊት በየሳምንቱ በግምገማ ስብስብዎ ላይ የተሃድሶ ሙከራዎችን ያሂዱ

የአፈጻጸም ማስተካከያ የማጭበርበሪያ ሉህ

መልሶች አጠቃላይ እንደሆኑ ከተሰማቸው፡ candidate_top_k ን ይጨምሩ እና ጠንካራ ዳግም ደረጃ ሰጪን ይጨምሩ

መልሶች ዝርዝሮችን ካጡ፡ የክፍል መጠኑን ይቀንሱ፤ የቃላት ክብደትን በትንሹ ያሳድጉ

ጥቅሶች ተመሳሳይ ክፍልን የሚደግሙ ከሆነ፡ ን አንቃ እና ልዩነትን ከፍ ያድርጉ

ድግግሞሽ ከፍ ያለ ከሆነ፡ Embeddingsን ደብቅ፣ የጥያቄ ድጋሚ ጽሁፎችን አስቀድመው አስሉ፣ ትንሽ ዳግም ደረጃ ሰጪን ይጠቀሙ

ወጪዎች ከጨመሩ፡ የማመንጨት ሙቀትን ይቀንሱ፣ ጥያቄዎችን ያሳጥሩ፣ ለመጀመሪያ ማለፊያ ትንሽ ይሞክሩ

የደህንነት እና የአስተዳደር አስፈላጊ ነገሮች

የተከማቹ ቬክተሮችን ኢንክሪፕት ያድርጉ እና ሚስጥራዊነት ያላቸውን መስኮች በሜታዳታ ውስጥ ያርሙ

በማውጫ መዳረሻ ቁጥጥር ይጠቀሙ፤ በቡድን ወይም በዳታ ሚስጥራዊነት ይከፋፍሉ

የዳታ የዘር ሐረግ መዝገብ ይያዙ፡ የሰነድ ምንጭ ፣ ቼክሰም እና የማስገባት የጊዜ ማህተም

የጉዳይ ጥናት ቅጽበታዊ እይታ፡ ከአደገኛ ዎች ወደ የታመኑ መልሶች

የድጋፍ ቡድን 1,200 ገጾችን የዎች አስገብቷል። የመጀመሪያ መልሶ ማግኛ የማይጣጣም ነበር; ወኪሎች ቦቱን አላመኑም። ወደ ትርጉም-ድብልቅ ክፍፍል (800 ቶከኖች፣ 80 መደራረብ) ከተቀየረ በኋላ፣ የመስቀል-ኤንኮደር ዳግም ደረጃን ከነቃ እና ጥቅስ-ወይም-ዝምታን ካስገደደ በኋላ ከፍተኛ-k ምት መጠን ከ 62% ወደ 89% ከፍ ብሏል፣ እና የወኪል ጉዲፈቻ በእጥፍ ጨምሯል። ቁልፉ ትልቅ አልነበረም - ንጹህ ክፍሎች እና ጥብቅ መልሶ ማግኛ ነበር።

የመሳሪያ ጠቃሚ ምክር፡ በ የጎን አሞሌ ፈጣን ድግግሞሽ

ልብ ሊባል የሚገባው፡ በብዙ ሰነዶች ላይ በጥያቄዎች እና መልሶ ማግኛ ቅንጭብ እየሞከሩ ከሆነ፣ በቀጥታ ከአሳሹ በዎች፣ በድረ-ገጾች እና በኮድ ላይ እንዲወያዩ የሚያስችልዎ የ ረዳት ድግግሞሽን ሊያፋጥን ይችላል። በነገራችን ላይ Sider.AI (https://sider.ai/) እርስዎ ባሉበት ገጽ ላይ ዐውደ-ጽሑፍ እንዲያገኙ፣ እንዲያጠቃልሉ እና ጥያቄዎችን በፍጥነት እንዲያጣሩ የሚያስችል የ የጎን አሞሌ ያቀርባል። የመረጃ መስመሩን ከመደበኛነትዎ በፊት የ ጥያቄዎችን ለመፍጠር እና የክፍል ጥራትን ለመፈተሽ ጠቃሚ ነው።

መላ መፈለግ፡ ፈጣን ጥገናዎች

“ሞዴሉ እርግጠኛ ነው ግን ስህተት ነው።”

የመልስ አቅምን ማረጋገጫ አንቃ; የሙቀት መጠኑን ዝቅ ያድርጉ; ጥቅሶችን ይጠይቁ

“ፍለጋ በአቅራቢያ ያሉ ቅጂዎችን ይመልሳል።”

ን ያብሩ; ዳግም ደረጃ ሰጪን ያክሉ; የክፍል መደራረብን ይቀንሱ

“ድግግሞሽ በከፍታ ላይ ይጨምራል።”

Batch Embeddings; የጥያቄ ድጋሚ ጽሁፎችን ደብቅ; የዥረት ማመንጨትን ተጠቀም

“አሮጌ ፖሊሲዎች መታየት ይቀጥላሉ።”

version = latest ላይ አጣራ; ጊዜ ያለፈባቸውን ሰነዶች አውግዙ ወይም በመቃብር ድንጋይ ምልክት ያድርጉባቸው

የሚቀጥሉት እርምጃዎች፡ ዎን በምርት ላይ አስተማማኝ ያድርጉት

በመጀመሪያ በትንሽ፣ የታመነ የጽሑፍ ስብስብ ይጀምሩ; መጀመሪያ ክፍፍልን እና ማጣሪያዎችን ፍጹም ያድርጉ

ን ከማሻሻልዎ በፊት ዳግም ደረጃ ሰጪን ያክሉ

የ100-ጥያቄ ግምገማ ስብስብ ይገንቡ እና በየሳምንቱ ምት መጠኑን ይከታተሉ

መልሶ ማግኘትን ያለማቋረጥ ለማስተካከል የተጠቃሚ ግብረመልስን ያገናኙ

ቁልፍ መውሰድ፡-

የመልሶ ማግኛ ጥራት ለ የሞዴል መጠንን ይመታል

መክተፍ፣ ሜታዳታ እና ዳግም ደረጃ መስጠት የእርስዎ ዋና ማንሻዎች ናቸው

እንደ ጥቅስ-ወይም-ዝምታ ያሉ የመከላከያ መመሪያዎች እምነትን በእጅጉ ይጨምራሉ

በክትትል እና በግምገማ ላይ ቀድመው ኢንቨስት ያድርጉ

በእነዚህ ልምዶች የ እርዳታ ቦትን፣ የገንቢ ኮፒሎትን ወይም የውስጥ እውቀት ረዳትን እያጎለበቱ ይሁኑ ለመሬት ለተያዙ መልሶች አስተማማኝ የጀርባ አጥንት ይሆናል።

Q1፡ ምንድን ነው እና ለሰነድ QA እንዴት እጠቀማለሁ? RAGFlow የመልሶ ማግኛን የሚጨምሩ የትውልድ የመረጃ መስመሮችን ለመገንባት የሚያስችል ማዕቀፍ ነው። ድምቀትን ለመቀነስ እና ትክክለኛነትን ለማሻሻል ጥቅሶችን በመጠቀም መልሶችን ያስገባሉ፣ ይከፋፍላሉ፣ ይጨምራሉ፣ ይመልሳሉ እና ያመነጫሉ።

Q2፡ በ ውስጥ ሰነዶችን እንዴት መከፋፈል አለብኝ? ትርጉም ያለው ወይም ድብልቅ ክፍፍልን ከ600–1,000 ቶከን ክፍሎች እና ከ50–100 ቶከን መደራረብ ጋር ይጠቀሙ። ለኮድ በተግባር ወይም በክፍል ይከፋፍሉ እና በዙሪያው ያለውን ዐውደ-ጽሑፍ ያካትቱ።

Q3፡ ከ ጋር በደንብ የሚሰራው የትኛው የቬክተር ዳታቤዝ ነው? ድብልቅ ፍለጋን፣ የሜታዳታ ማጣሪያዎችን እና ዳግም ደረጃን የሚደግፍ ሱቅ ይምረጡ—፣ ፣ ወይም የአካባቢ አማራጭ ሁሉም የተለመዱ ምርጫዎች ናቸው።

Q4፡ በ መተግበሪያ ውስጥ ድምቀትን እንዴት መከላከል እችላለሁ? ጥቅስ-ወይም-ዝምታ ፖሊሲን ያስፈጽሙ፣ ከማመንጨትዎ በፊት የመልስ ችሎታ ማረጋገጫን ያክሉ እና ጥያቄዎች የተመለሰውን ዐውደ-ጽሑፍ ብቻ ስለመጠቀም ጥብቅ ያድርጉ።

Q5፡ ን ለመገምገም ምን ዓይነት መለኪያዎችን መከታተል አለብኝ? የመልሶ ማግኛ ምት መጠንን፣ የመልስ ታማኝነትን፣ ድግግሞሽን እና በ100 ጥያቄዎች የሚገኘውን ወጪ ይቆጣጠሩ እና ትንሽ ግን ተወካይ የግምገማ ስብስብን ይጠብቁ።