Paras käytäntö: Aloita uusi keskustelu, jotta tekoälymalli keskittyy vain dokumenttiisi. Kirjoita täsmällinen kehote (esim. "Tee 3-kohdan tiivistelmä keskeisistä luvuista ja päivämääristä") .

2. MapReduce-tiivistys (paras konteksti-ikkunan ylittäville dokumenteille)

Kun tiedosto on liian suuri yhdelle kehotteelle, MapReduce-menetelmä on todistettu ratkaisu . Se toimii kolmessa vaiheessa:

1. Jaa – Jaa dokumentti merkityksellisiin osiin käyttäen kappale- tai osiovaihtoja, älä pelkästään token-määriä .
2. Kartoita – Pyydä tekoälymalli tiivistämään jokainen osa itsenäisesti .
3. Yhdistä – Syötä kaikkien osien tiivistelmät takaisin tekoälylle ja pyydä yhdistämään ne yhdeksi lopulliseksi tiivistelmäksi; toista tarvittaessa .

Tätä tekniikkaa tukevat useat kirjastot, kuten LangChain (sisäänrakennettu MapReduce-ketju). Myös akateemiset tutkimukset, kuten ACL 2025 ja arXiv-julkaisut, ovat vahvistaneet menetelmän tehokkuuden pitkien dokumenttien käsittelyssä . Nature-lehdessä julkaistu tutkimus vahvistaa, että menetelmä toimii myös vuosi- ja vuosikymmenkattavien dokumenttikokonaisuuksien kanssa käyttäen yhdistelmäkehotteita .

Neuvoja osien jakamiseen: "Jaa dokumentti merkityksellisesti, älä pelkästään token-määrän perusteella. Kappale- ja osiorajat säilyttävät merkityksen" .

3. RAG (Retrieval-Augmented Generation) ositettuun dokumenttien hakuun (paras kysymyksiin ja vastauksiin hyvin suurista tai useista dokumenteista)

Retrieval-Augmented Generation (RAG) menee tiivistämistä pidemmälle – se mahdollistaa tarkkojen tietojen hakemisen suurista dokumenttikokoelmista .

• Toimintaperiaate: Dokumentit jaetaan osiin, muunnetaan vektorialleiksi (embeddings) ja tallennetaan tietokantaan. Kun kysyt kysymyksen, vain olennaisimmat osat haetaan ja syötetään tekoälymalliin kontekstiksi .
• Milloin käyttää: Kun tarvitset monia lisäkysymyksiä, haluat viitata useisiin dokumentteihin tai käsitellä dokumenttikokoelmia, jotka ovat liian suuria yhdelle tiivistelmälle.
• Työkalut: LangChain + vektoritietokannat (Chroma, Pinecone), LlamaIndex tai kaupalliset alustat kuten Glean ja Hebbia.

Pikavalintataulukko

Tärkein vinkki mille tahansa menetelmälle: Anna tekoälylle aina jäsennelty kehote – määritä muoto, pituus ja se, mihin keskittyä – sen sijaan, että käyttäisit yleistä "tiivistä tämä" -kehote .

Paras käytäntö: Aloita uusi keskustelu, jotta tekoälymalli keskittyy vain dokumenttiisi. Kirjoita täsmällinen kehote (esim. "Tee 3-kohdan tiivistelmä keskeisistä luvuista ja päivämääristä") .

2. MapReduce-tiivistys (paras konteksti-ikkunan ylittäville dokumenteille)

Kun tiedosto on liian suuri yhdelle kehotteelle, MapReduce-menetelmä on todistettu ratkaisu . Se toimii kolmessa vaiheessa:

1. Jaa – Jaa dokumentti merkityksellisiin osiin käyttäen kappale- tai osiovaihtoja, älä pelkästään token-määriä .
2. Kartoita – Pyydä tekoälymalli tiivistämään jokainen osa itsenäisesti .
3. Yhdistä – Syötä kaikkien osien tiivistelmät takaisin tekoälylle ja pyydä yhdistämään ne yhdeksi lopulliseksi tiivistelmäksi; toista tarvittaessa .

Tätä tekniikkaa tukevat useat kirjastot, kuten LangChain (sisäänrakennettu MapReduce-ketju). Myös akateemiset tutkimukset, kuten ACL 2025 ja arXiv-julkaisut, ovat vahvistaneet menetelmän tehokkuuden pitkien dokumenttien käsittelyssä . Nature-lehdessä julkaistu tutkimus vahvistaa, että menetelmä toimii myös vuosi- ja vuosikymmenkattavien dokumenttikokonaisuuksien kanssa käyttäen yhdistelmäkehotteita .

Neuvoja osien jakamiseen: "Jaa dokumentti merkityksellisesti, älä pelkästään token-määrän perusteella. Kappale- ja osiorajat säilyttävät merkityksen" .

3. RAG (Retrieval-Augmented Generation) ositettuun dokumenttien hakuun (paras kysymyksiin ja vastauksiin hyvin suurista tai useista dokumenteista)

Retrieval-Augmented Generation (RAG) menee tiivistämistä pidemmälle – se mahdollistaa tarkkojen tietojen hakemisen suurista dokumenttikokoelmista .

• Toimintaperiaate: Dokumentit jaetaan osiin, muunnetaan vektorialleiksi (embeddings) ja tallennetaan tietokantaan. Kun kysyt kysymyksen, vain olennaisimmat osat haetaan ja syötetään tekoälymalliin kontekstiksi .
• Milloin käyttää: Kun tarvitset monia lisäkysymyksiä, haluat viitata useisiin dokumentteihin tai käsitellä dokumenttikokoelmia, jotka ovat liian suuria yhdelle tiivistelmälle.
• Työkalut: LangChain + vektoritietokannat (Chroma, Pinecone), LlamaIndex tai kaupalliset alustat kuten Glean ja Hebbia.

Pikavalintataulukko

Tärkein vinkki mille tahansa menetelmälle: Anna tekoälylle aina jäsennelty kehote – määritä muoto, pituus ja se, mihin keskittyä – sen sijaan, että käyttäisit yleistä "tiivistä tämä" -kehote .