Νικόλαος Λυμπιτάκης, Κατασκευή ενός RAG Chatbot για 
Ξενοδοχειακή Υποστήριξη 

 

 
 

 

46 

 

Η  συχέτιση  μεταξύ  του  πίνακα  conversation_session  και  του  πίνακα 

conversation_turns  είναι  Ένα  προς  Πολλά  (One-to-Many).  Μία  συνεδρία  συνομιλίας 

μπορεί να περιλαμβάνει πολλά βήματα διαλόγου (ερωτήσεις-απαντήσεις), αλλά κάθε βήμα 

ανήκει σε μία μόνο συνεδρία. 

 

Η  υλοποίηση  της  βάσης  δεδομένων  γίνεται  μέσω  δύο  ξεχωριστών  scripts 

(setup_db.py και setup_feedback_db.py) τα οποία δημιουργούν τους πίνακες και εισάγουν 

αρχικά δεδομένα, όπου χρειάζεται. 

 

Αξιοποίηση ιστορικού συνομιλιών για βελτίωση, ταχύτητα και οικονομία tokens  

 

Ένα σημαντικό χαρακτηριστικό του συστήματος είναι η δυνατότητα αυτοβελτίωσης 

μέσω του μηχανισμού ανάδρασης. Το script update_good_conversations_vector_store.py 

λειτουργεί ως γέφυρα μεταξύ της βάσης δεδομένων SQLite και του συστήματος RAG. 

Συγκεκριμένα: 

•  Αντλεί από τον πίνακα conversation_turns τις συνομιλίες που έχουν λάβει θετική 

αξιολόγηση (feedback = 'good'). 

•  Δημιουργεί  διανυσματικές  αναπαραστάσεις  (embeddings)  των  ερωτημάτων 

(prompts) αυτών των επιτυχημένων ζευγών ερώτησης-απάντησης. 

•  Ενημερώνει  το  good_examples_vector_store  (FAISS),  προσθέτοντας  νέα 

παραδείγματα ή δημιουργώντας το από την αρχή αν δεν υπάρχει. 

 

Με αυτόν τον τρόπο, οι καλές απαντήσεις του παρελθόντος ενσωματώνονται στη 

μνήμη του συστήματος και τροφοδοτούνται ως παραδείγματα  στο Prompt του LLM για 

μελλοντικές  ερωτήσεις,  βελτιώνοντας  διαρκώς  όχι  μόνο  την  ποιότητα  των  απαντήσεων 

αλλα και λειτουργώντας ως caching για ταχύτερη απάντηση από το LLM. Πριν κληθεί το 

LLM,  το  σύστημα  ελέγχει  αν  υπάρχει  ήδη  μια  παρόμοια  ερώτηση  στο 

good_examples_vector_store. Αν βρεθεί υψηλή ομοιότητα, μπορεί να ανασυρθεί απευθείας 

η αποθηκευμένη απάντηση. Επίσης πολύ σημαντικό είναι και το γεγονός ότι με αυτή τη 

τεχνική μειώνεται ο αριθμός των tokens που καταναλώνονται στο LLM, μειώνοντας έτσι 

και το λειτουργικό κόστος.