Интеграция LlamaIndex для RAG и индексации данных

Интеграция LlamaIndex для RAG-систем

Операторы страховой компании тратили до 12 минут на поиск ответа среди 15 000 страниц полисов и инструкций. Мы внедрили LlamaIndex — время сократилось до 1,5 минут, точность выросла до 91%, а ошибки по устаревшим документам упали с 8% до 0,4%. За 5 лет мы реализовали 20+ проектов по интеграции RAG на LlamaIndex в финансах, страховании, ритейле. Гарантируем точность не ниже 90% на ваших данных. Средняя экономия на масштабе — до 2 млн рублей в год на подразделение, а окупаемость проекта составляет 3–4 месяца.

Какие проблемы решает LlamaIndex?

Разрозненные источники данных: PDF, Word, HTML, базы данных. LlamaIndex подключает 150+ форматов через нативные загрузчики — не нужно писать адаптеры. Низкая скорость поиска: обычный векторный поиск не понимает составные запросы. SubQuestionQueryEngine разбивает вопрос на части и обрабатывает параллельно. Отсутствие контекста: LlamaIndex добавляет метаданные (дата, автор, тип документа) и фильтрует по ним, исключая устаревшие или нерелевантные источники.

Как LlamaIndex ускоряет поиск в неструктурированных данных?

LlamaIndex использует многоуровневую индексацию. Документы разбиваются на чанки (обычно 512 токенов с перекрытием 50). Для каждого чанка генерируется эмбеддинг (OpenAI text-embedding-3-small, 1536 измерений). Векторы хранятся в Qdrant или другом хранилище. При запросе LLM выбирает стратегию: прямой поиск, SubQuestionQueryEngine или RouterQueryEngine — в зависимости от сложности. Встроенный реранкер повышает релевантность топ-10 результатов.

Базовый RAG с LlamaIndex

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
from llama_index.core.node_parser import SentenceSplitter
from llama_index.llms.openai import OpenAI
from llama_index.embeddings.openai import OpenAIEmbedding

# Настройка глобальных настроек
Settings.llm = OpenAI(model="gpt-4o", temperature=0)
Settings.embed_model = OpenAIEmbedding(model="text-embedding-3-small")
Settings.node_parser = SentenceSplitter(chunk_size=512, chunk_overlap=50)

# Загрузка документов
documents = SimpleDirectoryReader("./data", recursive=True).load_data()

# Создание индекса
index = VectorStoreIndex.from_documents(documents)

# Запрос
query_engine = index.as_query_engine(similarity_top_k=5)
response = query_engine.query("Каков срок гарантии на оборудование?")
print(response)
# Доступ к источникам
for node in response.source_nodes:
    print(f"Score: {node.score:.3f}, Source: {node.metadata.get('file_name')}")

Интеграция с векторными хранилищами

from llama_index.vector_stores.qdrant import QdrantVectorStore
from llama_index.core import StorageContext
import qdrant_client

# Подключение к Qdrant
client = qdrant_client.QdrantClient(url="http://localhost:6333")
vector_store = QdrantVectorStore(client=client, collection_name="docs")
storage_context = StorageContext.from_defaults(vector_store=vector_store)

# Индексирование в Qdrant
index = VectorStoreIndex.from_documents(
    documents,
    storage_context=storage_context,
    show_progress=True,
)

# Повторная загрузка существующего индекса
index = VectorStoreIndex.from_vector_store(vector_store)

Почему стоит выбрать LlamaIndex для RAG?

LlamaIndex выигрывает у LangChain в задачах, где нужна глубокая работа с документами. Встроенные SubQuestionQueryEngine и RouterQueryEngine не требуют кастомных промптов — они готовы к сложным запросам сразу. IngestionPipeline кэширует обработку, ускоряя повторную индексацию на 60%. Кроме того, LlamaIndex поддерживает Retrieval-Augmented Fine-Tuning (документация LlamaIndex): дообучение эмбеддингов под домен повышает recall на 15–20%. В наших проектах среднее время ответа на сложный запрос с SubQuestionQueryEngine на 40% быстрее, чем с голым LangChain.

SubQuestionQueryEngine: разбивка сложных вопросов

from llama_index.core.query_engine import SubQuestionQueryEngine
from llama_index.core.tools import QueryEngineTool

# Создаём инструменты из разных источников
financial_tool = QueryEngineTool.from_defaults(
    query_engine=financial_index.as_query_engine(),
    name="financial_data",
    description="Финансовые показатели компании за последние три года",
)

contracts_tool = QueryEngineTool.from_defaults(
    query_engine=contracts_index.as_query_engine(),
    name="contracts",
    description="Договоры с поставщиками и клиентами",
)

# SubQuestion движок автоматически разбивает запрос на подзапросы
engine = SubQuestionQueryEngine.from_defaults(
    query_engine_tools=[financial_tool, contracts_tool],
    use_async=True,
)

response = engine.query(
    "Сравни выручку за последний квартал с бюджетом и проверь, есть ли просроченные платежи по контрактам"
)
# Агент создаст 2 подзапроса и объединит результаты

RouterQueryEngine: маршрутизация по индексам

from llama_index.core.query_engine.router_query_engine import RouterQueryEngine
from llama_index.core.selectors import LLMSingleSelector

router_engine = RouterQueryEngine(
    selector=LLMSingleSelector.from_defaults(),
    query_engine_tools=[
        QueryEngineTool.from_defaults(
            query_engine=summary_index.as_query_engine(response_mode="tree_summarize"),
            description="Для обобщающих вопросов о документе в целом",
        ),
        QueryEngineTool.from_defaults(
            query_engine=vector_index.as_query_engine(),
            description="Для поиска конкретных фактов и деталей",
        ),
    ],
)

IngestionPipeline: продвинутый препроцессинг

from llama_index.core.ingestion import IngestionPipeline, IngestionCache
from llama_index.core.node_parser import SentenceSplitter, SemanticSplitterNodeParser
from llama_index.core.extractors import TitleExtractor, QuestionsAnsweredExtractor
from llama_index.core.vector_stores import SimpleVectorStore

pipeline = IngestionPipeline(
    transformations=[
        SentenceSplitter(chunk_size=512, chunk_overlap=64),
        TitleExtractor(nodes=3),  # Добавляет заголовок документа в metadata каждого чанка
        QuestionsAnsweredExtractor(questions=5),  # Генерирует гипотетические вопросы для HyDE
        OpenAIEmbedding(model="text-embedding-3-small"),
    ],
    vector_store=vector_store,
    cache=IngestionCache(),  # Кэширует обработанные документы
)

nodes = await pipeline.arun(documents=documents, show_progress=True)

Практический кейс: корпоративная база знаний страховой компании

Исходная ситуация: 15 000 страниц документов (полисы, правила страхования, регуляторные инструкции, внутренние регламенты). Операторы тратили 8–12 минут на поиск ответа на вопрос клиента.

Архитектура на LlamaIndex (наш проект):

• Источники: 4 типа документов в отдельных индексах в Qdrant
• RouterQueryEngine: маршрутизация по типу вопроса
• SubQuestionQueryEngine: для вопросов, охватывающих несколько типов
• IngestionPipeline: автоматическое переиндексирование при обновлении документов
• Metadata-фильтрация: по виду страхования, дате документа, региональному регулятору

Результаты:

• Среднее время ответа оператора: 10 мин → 1,5 мин
• Точность ответов (оценка экспертов): 91%
• Ошибочные ссылки на устаревшие редакции полисов: ~8% → 0,4%
• Охват документов: 73% (ранее операторы не знали о существовании многих документов)

LlamaIndex vs LangChain для RAG

Типовые сценарии внедрения LlamaIndex

Что входит в работу

1. Аудит источников данных — определяем типы документов, объём, частоту обновлений.
2. Проектирование индекса — выбираем чанкер, модель эмбеддингов, векторное хранилище.
3. Настройка Retrieval pipeline — конфигурируем RouterQueryEngine, SubQuestionQueryEngine, реранжирование.
4. Интеграция с инфраструктурой — подключаем API, CI/CD, дашборд мониторинга (latency p99, recall).
5. Обучение команды — документация и воркшоп по работе с системой.

Сроки ориентировочно

• Базовый RAG на LlamaIndex: от 3 до 5 дней
• Мульти-источниковый RAG с RouterQueryEngine: от 1 до 2 недель
• IngestionPipeline с автоматическим обновлением: от 1 недели
• Файнтюнинг эмбеддингов под домен: от 2 до 3 недель

Точные сроки рассчитываем после аудита данных. Оценим проект за 1 день — напишите нам. Закажите аудит данных и получите коммерческое предложение. Гарантируем окупаемость за 3–4 месяца за счёт сокращения времени поиска: экономия до 2 млн рублей в год на операторах.

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.