CVS adalah mesin hybrid RAG yang dibangun untuk perusahaan yang tidak bisa menoleransi jawaban salah yang disampaikan dengan percaya diri. Setiap tahap — ingestion, routing, retrieval, dan abstention — dirancang untuk menghasilkan bukti yang dapat Anda audit, bukan prosa yang harus Anda percayai.
CVS terhubung langsung ke tempat pengetahuan Anda sudah berada — SharePoint, Google Drive, Confluence, S3, dan server file on-premise — lalu mem-parsing setiap format melalui triple OCR dan vision: PDF, hasil scan, DOCX, PPTX, XLSX, dan gambar. Tabel, gambar, dan anchor halaman tetap utuh selama parsing sehingga bukti asli dapat dikembalikan kemudian, bukan diparafrasakan.
Smart chunking menghasilkan fragmen yang koheren secara semantik, bukan pembagian buta dengan lebar tetap. Setiap chunk diperkaya dengan entitas, metadata, diff dokumen, dan fakta temporal, lalu ditulis ke indeks berlapis secara bersamaan: penyimpanan pgvector untuk recall semantik, indeks full-text BM25F untuk istilah eksak, grafik pengetahuan temporal Neo4j untuk relasi, plus indeks metadata dan temporal. Satu kali proses, lima permukaan retrieval.
Tidak setiap pertanyaan layak menjalani proses reasoning penuh. Sebuah intent router pusat mengklasifikasikan setiap kueri dan mengarahkannya ke salah satu dari empat jalur: cache hit instan tanpa token; pencarian hybrid standar yang cepat; sintesis multi-dokumen yang mendalam; atau jalur reasoning ultra yang memecah pertanyaan menjadi directed acyclic graph dari sub-kueri.
Kaskade hemat token ini berarti pertanyaan sederhana tidak pernah membangunkan LLM yang mahal, sementara pertanyaan yang benar-benar sulit dan multi-dokumen mendapatkan perlakuan dekomposisi penuh. Hasilnya adalah latensi yang dapat diprediksi, biaya yang dapat diprediksi, dan tidak ada kejutan token per kueri — kaskade ini saja memangkas pengeluaran LLM sebesar 85–95% dibandingkan RAG naif.
CVS menjalankan lima retriever sekaligus — vector search, traversal grafik pengetahuan, full-text BM25F, retrieval temporal, dan pemfilteran metadata. Masing-masing melihat korpus secara berbeda, sehingga menangkap bukti yang berbeda: semantik, relasi, istilah eksak, validitas waktu, dan atribut terstruktur. Tidak ada retriever tunggal yang harus sempurna.
Keluaran terperingkat mereka digabung melalui Reciprocal Rank Fusion (k=60), lalu sebuah cross-encoder me-rerank kandidat yang telah digabung untuk menyusun set bukti yang padat bagi pembangun jawaban. Inilah sebabnya CVS mencapai akurasi jawaban 94,7% dibandingkan 67–73% yang umum pada sistem single-retriever seperti RAG dasar atau Copilot.
Setelah retrieval, CVS mengajukan satu pertanyaan sebelum menjawab: apakah buktinya cukup? Jika ya, ia menjawab dengan kutipan inline dan menulis interaksi ke log audit yang tahan manipulasi. Jika tidak, ia melakukan abstention secara terus terang alih-alih memfabrikasi respons yang terdengar masuk akal — satu perilaku yang menggagalkan sebagian besar pilot RAG enterprise.
Abstention bukanlah jalan buntu. Pertanyaan yang belum terjawab diarahkan ke ahli bidang yang ditunjuk, jawaban terverifikasi mereka ditangkap, dan basis pengetahuan diperbaiki sehingga orang berikutnya mendapat respons instan. Di produksi, ini menekan halusinasi di bawah 2% dibandingkan sekitar 19% untuk RAG biasa.
Bawa spesifikasi paling tidak jelas atau kueri yang paling sering dieskalasikan. Kami akan menunjukkan jalur bukti dari ujung ke ujung — dan persis apa yang terjadi ketika basis tidak tahu.