Contextual Compression для RAG: реализация и оптимизация

Реализация Contextual Compression для RAG

Представьте: ваша RAG-система городит контекст из 10 чанков по 800 токенов, а полезной информации — на 100 токенов. LLM платит за шум, а ответы — каша. Типичный кейс — поддержка техдокументации: 10 чанков, релевантны 2–3. Каждый чанк весит около 800 токенов, а полезной информации — на 100. LLM тратит контекстное окно на нерелевантный текст, что приводит к галлюцинациям и неполным ответам. Тратится контекст, растёт стоимость. Contextual Compression — техника, которая выкусывает из каждого чанка только релевантный запросу фрагмент. Снижаем шум, сокращаем токены, повышаем faithfulness. За время работы в AI/ML мы внедрили это в 15+ проектах — делимся опытом. Получите консультацию по оптимизации вашей RAG-системы.

Проблема без Contextual Compression

Стандартный RAG передаёт LLM полные чанки (512–1024 токена). Типичная картина: чанк содержит 600 токенов, из которых 80 действительно отвечают на вопрос, остальные — нерелевантный контекст. Это:

• Увеличивает стоимость (больше input tokens)
• Снижает точность (LLM «теряется» в нерелевантном тексте)
• Уменьшает effective context window (меньше места для действительно важных чанков)

Как работает LLM-based Contextual Compression?

from langchain.retrievers import ContextualCompressionRetriever
from langchain.retrievers.document_compressors import LLMChainExtractor
from langchain_openai import ChatOpenAI

# Компрессор на основе LLM
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
compressor = LLMChainExtractor.from_llm(llm)

compression_retriever = ContextualCompressionRetriever(
    base_compressor=compressor,
    base_retriever=vectorstore.as_retriever(search_kwargs={"k": 8}),
)

compressed_docs = compression_retriever.invoke(
    "Каков порядок согласования договоров?"
)

# Каждый документ содержит только релевантный фрагмент
for doc in compressed_docs:
    print(len(doc.page_content), "chars (vs оригинальных ~2000)")

Согласно документации LangChain, LLMChainExtractor использует ту же LLM для извлечения релевантного контента. Это даёт высокую точность, но увеличивает latency.

Когда использовать Embedding-based Compressor?

Более быстрый и дешёвый вариант — фильтрация по косинусному сходству. Мы часто используем его как первый этап пайплайна:

from langchain.retrievers.document_compressors import EmbeddingsFilter
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings()
embeddings_filter = EmbeddingsFilter(
    embeddings=embeddings,
    similarity_threshold=0.76,
)

filtering_retriever = ContextualCompressionRetriever(
    base_compressor=embeddings_filter,
    base_retriever=vectorstore.as_retriever(search_kwargs={"k": 8}),
)

Порог 0.76 – эмпирическое значение, которое даёт хороший баланс между полнотой и точностью. Для вашего датасета его нужно калибровать.

Почему стоит комбинировать Compression и Reranking?

EmbeddingsFilter отсекает явно нерелевантные чанки, но не ранжирует оставшиеся. Cross-encoder reranker (например, BAAI/bge-reranker-large) даёт более точную сортировку по релевантности, но дороже. Комбинация даёт золотую середину: фильтр убирает 40–60% чанков, reranker уточняет порядок top-N. Pipeline с Filter и Reranker даёт faithfulness на 15% выше, чем без компрессии, при этом в 2,5 раза дешевле LLM Extractor.

Сравним методы:

Как построить Pipeline с Compression и Reranking?

from langchain.retrievers.document_compressors import DocumentCompressorPipeline
from langchain_community.document_transformers import EmbeddingsRedundantFilter
from langchain.retrievers.document_compressors import CrossEncoderReranker
from langchain_community.cross_encoders import HuggingFaceCrossEncoder

cross_encoder = HuggingFaceCrossEncoder(model_name="BAAI/bge-reranker-large")
reranker = CrossEncoderReranker(model=cross_encoder, top_n=3)

compressor_pipeline = DocumentCompressorPipeline(
    transformers=[
        EmbeddingsFilter(embeddings=embeddings, similarity_threshold=0.75),
        EmbeddingsRedundantFilter(embeddings=embeddings),
        reranker,
    ]
)

pipeline_retriever = ContextualCompressionRetriever(
    base_compressor=compressor_pipeline,
    base_retriever=vectorstore.as_retriever(search_kwargs={"k": 10}),
)

Какой компрессор выбрать для вашего сценария?

В production мы предпочитаем гибридный подход: EmbeddingsFilter для фильтрации шума, затем LLM-компрессор для ключевых запросов, где важна высокая точность. Если latency критична — используем только EmbeddingsFilter с низким порогом (0.7–0.75).

Шаги внедрения Contextual Compression

1. Аудит текущей RAG-системы: метрики, узкие места, сценарии.
2. Выбор и калибровка компрессора (LLM / Embedding / Pipeline).
3. Интеграция через LangChain или кастомный код.
4. Тестирование: faithfulness, relevancy, latency, cost.
5. Документация и обучение команды.
6. Мониторинг и оптимизация threshold под новые данные.

Практический кейс: из практики нашего клиента

Задача: ассистент для технических мануалов (чанки ~800 токенов). После compression средний контекст уменьшился с 4800 до 1200 токенов на запрос.

Сжатие снизило стоимость в 3.3× при росте faithfulness на 19%. Наши инженеры подобрали threshold и модель компрессора за 2 дня, ещё 2 дня ушло на интеграцию.

Что входит в реализацию

• Аудит текущей RAG-системы: метрики, узкие места, сценарии
• Выбор и калибровка компрессора (LLM / Embedding / Pipeline)
• Интеграция через LangChain или кастомный код
• Тестирование: faithfulness, relevancy, latency, cost
• Документация и обучение команды
• Гарантия на результаты оптимизации по KPI

Мы сопровождаем проект после внедрения — фиксим threshold под новые данные, добавляем мониторинг. Закажите оптимизацию вашей RAG-системы и получите снижение токенов до 4 раз. Свяжитесь с нами для обсуждения вашего кейса.

Сроки и стоимость

• Базовая интеграция: от 2 дней
• Калибровка и тестирование: 2–3 дня
• Полный цикл (включая pipeline и reranker): 1 неделя

Стоимость рассчитывается индивидуально под объём данных и требования. Средняя экономия на токенах — 60–70%. Закажите оптимизацию вашей RAG-системы — наши инженеры помогут подобрать правильный компрессор.

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.