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
Arsitektur RAG & Multi-Tenant

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-time

Prinsip 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.