Patent US20240289407A1 – Wyszukiwanie z czatem z pamięcią kontekstu

Wieloetapowy system wyszukiwania Google łączy klasyczne mechanizmy wyszukiwania informacji z generatywną AI, wykorzystując silniki utrzymujące kontekst, orkiestrację LLM i weryfikację opartą na embeddingach - przekształcając wyszukiwanie z izolowanych zapytań w kontekstowe rozmowy.

Wprowadzenie: Od izolowanych zapytań do konwersacji z pamięcią kontekstu

Wyszukiwarki tradycyjnie traktowały każde zapytanie jako niezależne, izolowane żądanie. Wpisujesz „algorytmy uczenia maszynowego", dostajesz listę dokumentów. Wpisujesz „nadzorowane vs nienadzorowane", dostajesz inną listę -odłączoną od pierwszego zapytania, pozbawioną kontekstu, zaczynającą od zera.

Ta fragmentacja tworzy obciążenie poznawcze. Użytkownicy muszą ręcznie rekonstruować kontekst, przeformułowywać zapytania i składać informacje w wielu etapach. Tymczasem modele generatywne operujące na izolowanych promptach ryzykują tworzenie halucynowanych lub nadmiernie uogólnionych podsumowań bez ugruntowania w zweryfikowanych dokumentach.

Patent US20240289407A1 adresuje to strukturalne ograniczenie wprowadzając stanowe, wieloetapowe wyszukiwanie, które łączy klasyczne pipeline'y wyszukiwania (dokumenty/strony wyników wyszukiwania) z modelami generatywnymi opartymi na transformerach pod zunifikowanym silnikiem kontekstu.

System utrzymuje trwały stan użytkownika w kolejnych etapach, generuje zapytania syntetyczne i implikowane z kontekstu sesji, adaptacyjnie wybiera które modele generatywne wywołać (lub całkowicie je pomija), i weryfikuje generowane podsumowania w języku naturalnym poprzez mechanizm linkowania weryfikacyjnego oparty na embeddingach względem bazowych dokumentów źródłowych.

1. Główny problem: Fragmentacja intencji i kontekstu

Tradycyjne wyszukiwarki cierpią na amnezję na poziomie sesji. Każde zapytanie istnieje w izolacji:

• Utracona ciągłość: Zapytania typu „a co z implementacjami w Pythonie?" zakładają wcześniejszy kontekst, który system już zapomniał.
• Redundantne pobieranie: Użytkownicy ręcznie doprecyzowują zapytania aby przywrócić kontekst, zmuszając system do ponownego pobierania semantycznie powiązanych dokumentów, które już wyświetlił.
• Obciążenie poznawcze: Użytkownicy muszą mentalnie śledzić wątek swoich badań, rekonstruując połączenia, które system powinien utrzymywać.
• Ryzyko halucynacji generatywnej: LLM operujące na izolowanych promptach tworzą podsumowania bez zakotwiczenia w zweryfikowanych, wiarygodnych dokumentach.

Użytkownik badający „architekturę transformerów" może następnie zapytać „mechanizmy uwagi", a potem „różnice względem RNN". Tradycyjny system traktuje każde z nich jako niezależne zdarzenie. Stanowe wyszukiwanie rozpoznaje je jako ciągłą konwersacyjną podróż i utrzymuje trwały kontekst sesji.

2. Architektura rozwiązania: Stanowe wyszukiwanie z LLM

Komponenty systemowe

1. Silnik kontekstu (Context Engine)

Trwała warstwa stanowa utrzymująca reprezentację sesji użytkownika poprzez:

• Embedding reprezentujący kontekst użytkownika: Kodowanie historii zapytań, wybranych dokumentów wyników wyszukiwania (SRD), i sygnałów zaangażowania w znormalizowaną reprezentację wektorową
• Generowanie zapytań implikowanych: Wywnioskowanie ukrytych intencji z wzorców interakcji sesji
• Pamięć sesji: Śledzenie poprzednich zapytań, wyświetlonych SRD, i zachowania użytkownika w danej sesji

2. Orkiestrator LLM (LLM Orchestrator)

Klasyfikator decydujący czy i kiedy wywołać modele generatywne:

• Klasyfikacja intencji: Określanie czy zapytanie wymaga podsumowania generatywnego vs klasycznego listingu
• Wybór modelu: Routing do odpowiedniego LLM na podstawie złożoności zapytania (duże, średnie, małe modele)
• Warunki pominięcia: Całkowite unikanie generowania dla prostych zapytań nawigacyjnych lub transakcyjnych

3. Silnik weryfikacji odpowiedzi (Response Linkifying Engine)

Weryfikuje wygenerowane podsumowania względem bazowych SRD:

• Porównanie embeddingów: Oblicza odległość między fragmentami wygenerowanego tekstu a embeddingami dokumentów
• Progowanie linków: Gdy odległość embedding < próg, fragment jest linkowany do weryfikującego SRD
• Adnotacja pewności: Każdy link otrzymuje wskaźnik pewności bazując na bliskości semantycznej

Przepływ metody

Patent definiuje szczegółowy, wieloetapowy pipeline (Metoda 200):

1. Otrzymanie zapytania (252): Przechwycenie zapytania użytkownika wraz z identyfikatorem sesji
2. Wybór SRD responsywnych na zapytanie (254): Klasyczne pobieranie bazujące na bieżącym zapytaniu
3. Wybór SRD responsywnych na powiązane zapytanie (256): Pobieranie dokumentów pasujących do zapytań semantycznie bliskich bieżącemu
4. Wybór SRD responsywnych na ostatnie zapytanie (258): Włączanie dokumentów z poprzednich zapytań w sesji
5. Wybór SRD responsywnych na zapytanie implikowane (259): Dodawanie dokumentów odpowiadających na ukryte intencje wywnioskowane przez silnik kontekstu
6. Generowanie podsumowania w języku naturalnym (260): LLM syntetyzuje odpowiedź używając połączonego zestawu SRD jako kontekstu
7. Renderowanie podsumowania NL w odpowiedzi na zapytanie (262): Wyświetlenie wygenerowanej treści użytkownikowi z linkami weryfikacyjnymi

3. Mechanizmy techniczne: Embeddingi, weryfikacja, pewność

Pipeline weryfikacji oparty na embeddingach

Kluczowy mechanizm zapobiegania halucynacjom w Metodzie 400:

1. Podział wygenerowanego tekstu: Podziel odpowiedź LLM na atomowe jednostki semantyczne (zdania, klauzule, frazy)
2. Oblicz embeddingi fragmentów: Każda jednostka jest kodowana do znormalizowanego wektora embeddingowego
3. Porównaj z embeddingami SRD: Oblicz odległość cosinusową między każdym fragmentem a zbiorem embeddingów SRD
4. Zastosuj próg linkowania: Jeśli odległość < próg_linkyfikacji, fragment jest linkowany do najbliższego SRD
5. Adnotuj pewność: Każdy link otrzymuje wskaźnik pewności ∈ [0,1] bazując na bliskości embeddingu

Przykład:

Wygenerowane zdanie: „Architektury transformerów używają mechanizmów self-attention zamiast rekurencji."

• Fragment 1: „Architektury transformerów używają mechanizmów self-attention" → linkowany do SRD: arxiv.org/abs/1706.03762 (wskaźnik pewności: 0.92)
• Fragment 2: „zamiast rekurencji" → linkowany do SRD: stanford.edu/~rnn-comparison (wskaźnik pewności: 0.78)

Użytkownik widzi podsumowanie w języku naturalnym z podkreślonymi, klikalnym linkami do zweryfikowanych źródeł.

Świadomość znajomości (Familiarity Awareness)

Metoda 600 adaptuje generowanie na podstawie wcześniejszej ekspozycji użytkownika:

• Śledzenie ekspozycji: System rejestruje które SRD użytkownik już zobaczył w sesji
• Modulacja szczegółów: Dokumenty wcześniej wyświetlane są podsumowywane bardziej zwięźle lub całkowicie pomijane
• Adaptacja świeżości: Priorytetyzowanie nowych informacji, które nie zostały jeszcze przedstawione

Przykład:

Etap 1: Zapytanie „budżet NLP"
→ System wyświetla podsumowanie SRD: huggingface.co/tokenization-guide

Etap 2: Zapytanie „podtokenizacja WordPiece"
→ System wykrywa że huggingface.co/tokenization-guide był już wyświetlony
→ Generuje bardziej zwięzłe odniesienie: „Jak wspomniano wcześniej, WordPiece jest wariantem BPE..."
→ Priorytetyzuje nowy materiał z dodatkowych SRD

4. Typy wyboru SRD: Zapytanie, powiązane, ostatnie, implikowane

1. Responsywne na zapytanie (Query-Responsive)

Klasyczne pobieranie oparte na bieżącym zapytaniu.

2. Responsywne na powiązane zapytanie (Related-Query-Responsive)

Pobieranie dokumentów powiązanych z zapytaniami semantycznie bliskimido bieżącego:

• Ekspansja syntetyczna: Generowanie kandydujących zapytań poprzez przestrzeń embeddingową
• Klasteryzacja podobieństwa: Grupowanie zapytań w rodziny intencji
• Pobieranie międzyzapytaniowe: Włączanie SRD z klastra intencji użytkownika

3. Responsywne na ostatnie zapytanie (Recent-Query-Responsive)

Włączanie SRD z poprzednich zapytań w bieżącej sesji:

• Ciągłość sesji: Utrzymywanie kontekstu w sekwencji zapytań
• Dekrecja temporalna: Dokumenty z ostatnich zapytań otrzymują wyższą wagę

4. Responsywne na zapytanie implikowane (Implied-Query-Responsive)

Najbardziej zaawansowany tryb -wywnioskowanie ukrytych intencji:

• Predykcja intencji: LLM wywnioskuje co użytkownik może chcieć zapytać w następnym kroku
• Proaktywne pobieranie: Pre-fetch dokumentów dla implikowanych zapytań
• Oczekująca dostawa: Przygotowywanie odpowiedzi przed jawnym pytaniem użytkownika

Przykład:

Jawne zapytanie: „Fine-tuning BERT"
Implikowane zapytania wygenerowane przez system:

• „wymagania obliczeniowe fine-tuningu BERT"
• „zbiory danych do fine-tuningu BERT"
• „BERT vs RoBERTa wydajność"

System pobiera SRD dla tych implikowanych zapytań proaktywnie, tak że gdy użytkownik naturalnie pyta „wymagania obliczeniowe?", odpowiedź jest już przygotowana.

5. Adnotacja pewności i wskaźniki gęstości weryfikacji

Wynik pewności na poziomie linku

Każdy link weryfikacyjny otrzymuje wskaźnik pewności bazując na:

• Bliskość embedding: Odległość cosinusowa między fragmentem a SRD
• Wiarygodność dokumentu: Wynik zaufania SRD (autorstwo, świeżość, domena)
• Świeżość temporalna: Jak ostatnio dokument był zaktualizowany

Formuła:
wynik_pewności = α·(1 - odległość_embedding) + β·wiarygodność_dokumentu + γ·świeżość

gdzie α, β, γ to wagi hiperparametrów.

Wskaźnik gęstości weryfikacji

Gęstość weryfikacji = (liczba zweryfikowanych fragmentów) / (całkowita liczba fragmentów)

Wysoka gęstość (np. >0.8) sygnalizuje silnie ugruntowane podsumowanie. Niska gęstość (<0.4) wskazuje ryzyko halucynacji -system może wyświetlić ostrzeżenie lub wrócić do klasycznego listingu.

Przykład progowania:

• Gęstość > 0.75: Wyświetl podsumowanie NL z wysoką pewnością
• 0.4 < Gęstość ≤ 0.75: Wyświetl podsumowanie + klasyczny listing
• Gęstość ≤ 0.4: Pomiń generowanie, pokaż tylko klasyczne wyniki

6. Implikacje dla SEO: Od słów kluczowych do autorytetu kontekstowego

Strategiczne przesunięcie

Patent US20240289407A1 przesuwa ramy SEO z optymalizacji izolowanych zapytań do autorytetu kontekstowego w wieloetapowych podróżach użytkownika.

Co zmienić

• Priorytetyzuj wiarygodność dokumentu: Autorstwo, dane strukturalne, cytowania i sygnały E-E-A-T stają się krytyczne dla progów zaufania.
• Projektuj treści z myślą o całej ścieżce użytkownika: Treść powinna wspierać wieloetapowe podróże, nie tylko izolowane zapytania.
• Wsparcie linkowania weryfikacyjnego: Używaj jasnego, semantycznie odrębnego języka który tworzy wyraźne reprezentacje embeddingowe w wyraźne klastry.
• Świeżość temporalna: Regularne aktualizacje z wyraźnymi znacznikami czasowymi poprawiają rankingi świeżości.
• Odrębność semantyczna: Unikaj redundantnych treści na podobne zapytania -każdy dokument powinien zajmować unikalny region semantyczny.

Co robić

• Używaj danych strukturalnych: Schema.org markup (Article, TechArticle, FAQPage) wspiera mechanizmy zaufania.
• Jawne cytowania i źródła: Linkuj do autorytatywnych źródeł zewnętrznych -system nagradza „weryfikowalność".
• Segmentacja treści: Rozbij artykuły na atomowe, semantycznie samowystarczalne sekcje na potrzeby podziału embeddingów.
• Linkowanie wewnętrzne międzyzapytaniowe: Twórz sieci treści dla powiązanych tematów -wspiera selekcję SRD responsywnych na powiązane zapytanie.
• Używaj spójnego semantycznego frazowania: Stabilny, dobrze ustrukturyzowany język poprawia stabilność dopasowania embeddingu między etapami; unikaj niejasnego lub nadmiernie kolokwialnego frazowania.

Czego unikać

• Pokrywających się redundantnych treści: Powtórzenia między dokumentami mogą być depriorytetyzowane w pipeline'ach świadomych znajomości.
• Nieprzejrzystego autorstwa lub niezweryfikowanych twierdzeń: Niska wiarygodność redukuje wagę pewności i prawdopodobieństwo włączenia SRD.
• Tekstu wypełnionego słowami kluczowymi lub płytkiego: Słaba spójność semantyczna może pogorszyć bliskość embeddingu, nie spełniając progów linkifikacji.
• Izolowanej, jedno-zapytaniowej optymalizacji: Treść optymalizowana tylko pod izolowane słowa kluczowe będzie słabo działać w kontekstach wyszukiwania z pamięcią kontekstu na poziomie sesji.

7. Praktyczne przykłady implementacji

Przykład 1: Klasteryzacja kontekstowa dokumentów

Zaimplementuj architekturę wielostronicową gdzie każdy dokument adresuje odrębne podzapytanie szerszego tematu. Polinkuj je używając opisowego tekstu kotwicy.

Dlaczego: Wspiera wybór SRD dla pobierania responsywnego na powiązane i ostatnie zapytania. Silnik kontekstu może wyświetlać semantycznie sąsiednie dokumenty w etapach.

Przykład 2: Markup gotowy do ugruntowania

Osadzaj strukturalne cytowania używając Schema.org:

<script type="application/ld+json">
{
  "@type": "Article",
  "citation": [
    {
      "@type": "CreativeWork",
      "url": "https://patents.google.com/patent/US20240289407A1",
      "name": "US20240289407A1 - Wyszukiwanie ze czatem z pamięcią kontekstu"
    }
  ],
  "author": {
    "@type": "Person",
    "name": "Rafał Borowiec"
  },
  "dateModified": "2026-02-16"
}
</script>

Dlaczego: Ułatwia weryfikację i scoring pewności poprzez strukturalne dane autorstwa i cytowania.

Przykład 3: Aktualizacje świadome znajomości

Aktualizując treści evergreen, podkreślaj nowe dane lub perspektywy zamiast restytutować wcześniejsze informacje.

Używaj wizualnych calloutów lub etykiet „Zaktualizowano:" aby sygnalizować świeżą treść.

Dlaczego: Dopasowuje się do pipeline'u podsumowania świadomego znajomości (Metoda 600 w patencie) -system moduluje szczegół na podstawie wcześniejszej ekspozycji użytkownika.

Przykład 4: Doprecyzowanie napędzane interakcją

Monitoruj czas przebywania i metryki zaangażowania aby zidentyfikować które sekcje utrzymują uwagę użytkownika; dopracuj te sekcje aby poprawić istotność dla przyszłej selekcji SRD.

Dlaczego: Klasyfikatory są trenowane na sygnałach zaangażowania -trwała interakcja sygnalizuje pozytywną istotność.

8. Podsumowanie: Wyszukiwanie jako ekosystem generatywny z pamięcią kontekstu

Patent US20240289407A1 definiuje strukturalne przesunięcie od pobierania izolowanego zapytaniami do orkiestracji wyszukiwania z utrzymywaniem kontekstu wyszukiwania. Łączy pobieranie, klasyfikację i podsumowanie generatywne pod zunifikowanym frameworkiem embeddingów i weryfikacji.

Architektonicznie, mostkuje tradycyjne indeksy wyszukiwania z wnioskowanie generatywnym opartym na transformerach, podkreślając:

• Ugruntowanie: Linkifikacja oparta na embeddingach zakotwicza generowaną treść do kanonicznych dokumentów
• Adnotacja pewności: Przejrzystość poprzez gęstość weryfikacji i metryki wiarygodności
• Trwałość stanu użytkownika: Ciągłość na poziomie sesji zastępuje izolację zapytań
• Adaptacyjna orkiestracja: Warunkowy wybór modelu bazujący na klasyfikatorach trenowanych przez uczenie ze wzmocnieniem