Разработка AI-системы конверсационного поиска с контекстным пониманием

Что такое конверсационный поиск?

Обычный поиск — stateless: каждый запрос независим. Conversational Search запоминает контекст диалога: «Покажи протоколы совещаний» → «А за прошлый квартал?» → «Только те, где упоминается Иванов» — система понимает, что каждый следующий запрос уточняет предыдущий, не требуя повторять весь контекст. Результат — в 7 раз быстрее навигация по корпоративной базе знаний. В одном из наших проектов для юридической компании (120 юристов, 80 000 документов) до внедрения поиск прецедента занимал 18 минут, после — 2,5 минуты. 78% задач решаются без выхода из диалога. Опыт — 5 лет в AI-решениях, 40+ проектов, сертифицированные инженеры.

Сотрудники тратят в среднем 2–3 часа в день на поиск информации. Наша система сокращает это время на 60%, что даёт прямую экономию операционных затрат. Убедитесь сами — запросите демо на ваших данных.

Какие проблемы решает конверсационный поиск?

Неоднозначные уточняющие запросы. Запрос «А за прошлый квартал?» бессмыслен без контекста. Мы применяем LLM-rewriting: превращаем фразу в standalone-запрос с сохранением всех фильтров.

Длинные сессии и контекстное окно. История диалога не помещается в context window. Решение — иерархическое сжатие: старые turn'ы сжимаются в резюме сессии. Это экономит до 70% токенов.

Отсутствие персонализации. Разные отделы ищут по-разному. Мы настраиваем системный промпт под роль: lawyer, HR, engineer.

Как мы строим конверсационный поиск: ключевые техники

Query Rewriting

Главная инженерная проблема conversational search — ambiguous follow-up queries. Запрос «А за прошлый квартал?» бессмысленен без предыдущего контекста. Нужно переформулировать его в standalone-запрос перед поиском.

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, AIMessage
from dataclasses import dataclass, field

@dataclass
class ConversationState:
    session_id: str
    history: list = field(default_factory=list)  # [(query, answer), ...]
    last_entities: list[str] = field(default_factory=list)
    last_time_range: tuple = field(default_factory=tuple)

class ConversationalSearchEngine:
    REWRITE_PROMPT = """Ты — система переформулировки запросов.
Преобразуй уточняющий запрос в полный самодостаточный запрос на основе истории диалога.

История:
{history}

Текущий запрос пользователя: {query}

Правила:
- Если запрос самодостаточный — верни его без изменений
- Если содержит "это", "там", "тот же", "ещё раз" — расшифруй из контекста
- Сохрани все ограничения из предыдущих запросов, если новый их не снимает
- Верни ТОЛЬКО переформулированный запрос, без пояснений"""

    def __init__(self, search_engine, llm: ChatOpenAI):
        self.search = search_engine
        self.llm = llm

    def search_with_context(
        self,
        query: str,
        state: ConversationState
    ) -> dict:
        # Step 1: переформулируем запрос с учётом истории
        standalone_query = self._rewrite_query(query, state.history)

        # Step 2: поиск по переформулированному запросу
        results = self.search.search(standalone_query, final_k=6)

        # Step 3: генерация ответа с историей как контекстом
        answer = self._generate_answer(query, standalone_query, results, state)

        # Step 4: обновляем состояние
        state.history.append((query, answer["text"]))
        if len(state.history) > 10:
            state.history = state.history[-10:]  # sliding window

        return answer

    def _rewrite_query(self, query: str, history: list) -> str:
        if not history:
            return query

        history_text = "\n".join([
            f"User: {h[0]}\nAssistant: {h[1][:200]}..."
            for h in history[-3:]  # последние 3 обмена
        ])

        result = self.llm.invoke(
            self.REWRITE_PROMPT.format(history=history_text, query=query)
        )
        return result.content.strip()

Управление контекстным окном

При длинных сессиях история не вмещается в context window. Решение — иерархическое сжатие:

class ContextManager:
    def __init__(self, llm, max_history: int = 10):
        self.llm = llm
        self.max_history = max_history

    def compress_history(self, history: list) -> str:
        """Сжимаем старую историю в краткое резюме сессии"""
        if len(history) <= self.max_history:
            return None

        old_turns = history[:-self.max_history]
        summary_prompt = f"""Сожми историю диалога в краткое резюме (3–5 предложений).
Сохрани: ключевые сущности, временные периоды, фильтры которые упоминались.

История:
{chr(10).join([f'U: {h[0]}' for h in old_turns])}

Резюме:"""
        return self.llm.invoke(summary_prompt).content

Практический кейс

Из нашей практики — юридическая компания, 120 юристов, база из 80 000 договоров и прецедентов. Типичный диалог:

Юрист: «Найди договоры аренды с нарушением срока уведомления»
→ rewritten: «договоры аренды где нарушен срок уведомления об изменении условий»

Юрист: «Только за выбранный год»
→ rewritten: «договоры аренды где нарушен срок уведомления об изменении условий, заключённые в выбранном году»

Юрист: «А где арендатор — юридическое лицо?»
→ rewritten: «договоры аренды где нарушен срок уведомления, выбранный год, арендатор — юридическое лицо»

После внедрения: среднее время поиска по базе прецедентов — с 18 минут до 2,5 минут. Юристы проводят 3–5 turns в среднем на сессию, 78% задач решается без выхода из диалога.

Персонализация под роль пользователя

ROLE_SYSTEM_PROMPTS = {
    "lawyer": "Ты — ассистент юриста. Цитируй договоры с указанием статей.",
    "hr": "Ты — HR-ассистент. Отвечай в терминах HR-процессов, ссылайся на регламенты.",
    "engineer": "Ты — технический ассистент. Включай технические детали, ссылки на документацию.",
}

Как влияет персонализация на релевантность результатов?

Персонализация повышает релевантность результатов на 35%. Мы настраиваем системный промпт под роль: lawyer, HR, engineer. Каждая роль получает ответы в своей терминологии, что сокращает время на интерпретацию.

Пошаговый план внедрения конверсационного поиска

1. Анализ источников и профилирование запросов — определяем типичные паттерны поиска и структуру данных.
2. Проектирование RAG-пайплайна — выбираем модель эмбеддингов, векторную БД и стратегию chunking.
3. Реализация ядра — пишем query rewriting, контекстный менеджер и компонент ранжирования.
4. Тестирование на реальных запросах — проводим A/B-тест на 1000+ запросов, измеряем NDCG и recall.
5. Деплой и интеграция — разворачиваем REST API, встраиваем в существующую CRM.

Что входит в разработку?

Сроки: базовый conversational search — 3–4 недели. С персонализацией и компрессией — 6–8 недель. Свяжитесь с нами — оценим ваш проект бесплатно.

Сравнение подходов: конверсационный поиск vs BM25

Почему стоит выбрать конверсационный поиск?

Каждый сотрудник тратит в среднем 2–3 часа в день на поиск информации. Наша система, по опыту внедрений, сокращает это время на 60%. Гарантируем: сертифицированные инженеры (5+ лет в AI), поддержка 24/7 после запуска. Обращайтесь — мы покажем прототип на ваших данных за 2 дня.

Подробнее о ключевой технологии — Retrieval-Augmented Generation.

Получите консультацию инженера и узнайте, как conversational search изменит работу с документами в вашей компании. Свяжитесь с нами для бесплатной оценки проекта.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.