Разработка RAG-системы (Retrieval-Augmented Generation)

RAG (Retrieval-Augmented Generation): зачем это бизнесу и как внедрить

Компания накопила тысячи договоров, регламентов и инструкций, но сотрудники тратят часы на поиск ответов. Внедрение RAG (Retrieval-Augmented Generation) решает эту проблему: LLM обращается к корпоративной базе знаний в реальном времени и выдаёт ответы с указанием источников. В отличие от fine-tuning, RAG не требует переобучения — вы просто обновляете документы, и система сразу подхватывает изменения. Мы имеем 5+ лет опыта в разработке RAG-систем и реализовали десятки проектов для страховых, юридических и IT-компаний.

Экономия от внедрения RAG может составлять до 80% времени на поиск информации — это прямые деньги, которые остаются в бизнесе. Закажите консультацию — оценим экономический эффект для вашей компании.

Мы разрабатываем RAG-системы под ключ — от индексации документов до интеграции с вашими сервисами. Ниже — как это устроено и что входит в работу.

Из чего состоит RAG-система?

Пользователь → Запрос
                 ↓
         Embedding-модель
                 ↓
         Векторный поиск (Top-K)
                 ↓
    Извлечённые чанки + запрос
                 ↓
              LLM
                 ↓
              Ответ

Компоненты:

• Indexing pipeline: загрузка документов, разбивка на чанки, embedding, сохранение в векторную БД.
• Retrieval: перевод запроса в вектор, поиск ближайших соседей.
• Generation: передача контекста + запрос в LLM.

Когда RAG эффективнее fine-tuning?

Fine-tuning требует размеченного датасета и переобучения модели — это дорого и долго. RAG же позволяет добавлять новые документы без дообучения: достаточно положить файл в папку, и индекс обновится. Для задач, где данные меняются еженедельно (договоры, документация, база знаний), RAG оказывается в разы дешевле и быстрее. Кроме того, RAG даёт возможность ссылаться на конкретные источники, что критично в юридических и медицинских сценариях.

Стек для RAG-системы

Как строится пайплайн индексации?

from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Qdrant
from langchain_community.document_loaders import PyPDFDirectoryLoader

# Загрузка документов
loader = PyPDFDirectoryLoader("./docs/")
documents = loader.load()

# Разбивка на чанки
splitter = RecursiveCharacterTextSplitter(
    chunk_size=512,
    chunk_overlap=64,
    separators=["\n\n", "\n", ".", " "],
)
chunks = splitter.split_documents(documents)

# Embedding и сохранение
embeddings = OpenAIEmbeddings(model="text-embedding-3-large")
vectorstore = Qdrant.from_documents(
    chunks,
    embeddings,
    url="http://localhost:6333",
    collection_name="corporate-docs",
    force_recreate=True,
)

Как организовать ответ на запрос?

from langchain_openai import ChatOpenAI
from langchain.chains import RetrievalQA
from langchain.prompts import ChatPromptTemplate

template = """Ты — ассистент, отвечающий строго на основе предоставленного контекста.
Если ответ не содержится в контексте, скажи "Информация не найдена в базе знаний".
Всегда указывай источник (название документа и раздел).

Контекст:
{context}

Вопрос: {question}

Ответ:"""

prompt = ChatPromptTemplate.from_template(template)
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

# Retrieval + Generation
retriever = vectorstore.as_retriever(
    search_type="mmr",   # Maximum Marginal Relevance — снижает дублирование
    search_kwargs={"k": 5, "fetch_k": 20}
)

qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=retriever,
    chain_type_kwargs={"prompt": prompt},
    return_source_documents=True,
)

result = qa_chain.invoke({"query": "Какой срок гарантийного обслуживания?"})

Практический кейс: RAG для страховой компании (из нашей практики)

Задача: ассистент для обработки обращений клиентов — поиск по договорам страхования, правилам выплат, прецедентным решениям (12 000 документов, ~2M страниц).

Ключевые решения:

• Embedding: BGE-M3 (многоязычный, хорошо работает на русском, бесплатный self-hosted). Размерность 1024.
• Chunking: гибридная стратегия — структурные границы (разделы договора) вместо фиксированного размера. Размер чанка 200–600 токенов.
• Reranking: CrossEncoder после векторного поиска. Top-50 кандидатов → Top-5 после rerank. +18% к faithfulness.

Метрики (RAGAS):

Self-hosted embedding модели заметно дешевле OpenAI и дают сопоставимое качество на русском языке. Это снижает общую стоимость владения RAG-системой — не нужно платить за каждый вызов API. Получите расчёт стоимости вашего проекта — напишите нам.

Что влияет на точность RAG?

Точность RAG-системы складывается из нескольких факторов: качество чанков, выбор embedding-модели, стратегия retrieval и наличие reranker. Даже небольшие изменения в параметрах chunk_size могут изменить метрики на 10–20%. Маленькие чанки (128–256 токенов) дают высокую точность retrieval, но могут не содержать полный контекст для ответа. Средние чанки (512–1024 токенов) — баланс. Оптимум для большинства задач. Большие чанки (1024–2048 токенов) захватывают больше контекста, но ухудшают precision retrieval. Для документов с длинными взаимосвязанными секциями используйте Parent Document Retriever: индексируем мелкие чанки для поиска, отдаём крупные в LLM.

Что входит в разработку RAG-системы?

1. Аудит имеющихся данных и требований.
2. Выбор стека и проектирование архитектуры.
3. Разработка пайплайна индексации (разбивка, embedding, хранение).
4. Настройка retrieval (векторный поиск + reranker).
5. Интеграция LLM с кастомным промптом и источниками.
6. Сбор метрик качества (RAGAS, ручная валидация).
7. Документация, обучение команды.
8. Сопровождение после запуска.

Сроки и стоимость

• Прототип (базовый RAG): 1–2 недели.
• Production-ready система с оценкой качества: 4–8 недель.
• Расширенный RAG (hybrid search, reranking, evaluation): 8–14 недель.

Стоимость рассчитывается индивидуально. Свяжитесь с нами для оценки вашего проекта — получите консультацию по внедрению RAG за 30 минут.

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.