Dokumentasi Resmi
Arsitektur RAG & Multi-Tenant
Konsep dasar pemisahan data vector Qdrant per tenant dan alur hybrid retrieval.
Ringkasan Modul
Setiap tenant memiliki koleksi vector terisolasi di Qdrant (prod_rag_<tenant_id>_docs) dengan dimensi 1024D (Qwen3 Embeddings). Alur inquiry menggabungkan pencarian keyword exact-match dan semantic vector search.
Tampilan Antarmuka Fitur
Live Dashboard Screenshot https://kelindan.virtual.ai.id/docs#arsitektur-rag

Kapabilitas & Fitur Kunci
✓
Isolasi Data Multi-Tenant berbasis Tenant ID UUID ✓
Embeddings 1024-dimensi berkecepatan tinggi ✓
Pencarian Hybrid: Exact Keyword & Semantic Vector ✓
Akumulasi Kuota Token LLM Real-timePrinsip Keamanan & Isolasi Data
Setiap dokumen yang diunggah diproses melalui text chunking, kemudian disimpan ke koleksi Qdrant yang dipisahkan secara eksklusif berdasarkan UUID tenant. Tidak ada kebocoran konteks antar tenant.
Hybrid Routing & Pipeline LLM
Query pengguna pertama kali diperiksa melalui Keyword Mapping dan Stopwords Filter. Jika match, query dialihkan secara tepat; jika tidak, Qdrant melakukan Cosine Distance Vector Search untuk menemukan chunk paling relevan.