RAG на Elasticsearch kNN: гибридный поиск BM25 и векторы

Разработка RAG с Elasticsearch kNN: гибридный поиск BM25 и векторы

Представьте: ваш Elasticsearch обрабатывает сотни тысяч документов, но пользователи жалуются, что поиск не находит релевантные ответы. BM25 отлично работает с точными совпадениями, но пасует перед синонимами, тавтологией и сложными запросами на русском языке. Результаты: клиенты уходят, операторы тратят время на поиск. Добавлять отдельную векторную базу? Это рост стоимости инфраструктуры, сетевые задержки и ещё одна система для поддержки. Оптимальное решение — использовать встроенный kNN в Elasticsearch 8.x, объединив полнотекстовый и векторный поиск в одном индексе. Мы помогли нескольким командам внедрить такой гибрид без смены инфраструктуры, и сейчас расскажем, как это сделать. Свяжитесь с нами для аудита вашего текущего поиска — мы предложим оптимальный маршрут.

Почему Elasticsearch kNN — оптимальное решение для гибридного поиска?

Типичные боли при внедрении RAG без перестройки: разрозненный поиск (BM25 пропускает семантику), инфраструктурный хаос (поднимать Pinecone или Weaviate параллельно с ES — увеличивать стоимость и сложность), латентность (внешние векторные БД добавляют сетевые задержки p99 до 50+ мс). Elasticsearch kNN решает все три: hybrid search (kNN + BM25) через RRF fusion в одном запросе, минимальный оверхед, не нужны новые серверы.

Elasticsearch — зрелая технология с 15+ лет на рынке, используется в тысячах продакшенов. Встроенная поддержка русского анализатора Snowball даёт качественный стемминг: запрос «договором» найдёт «договор», «договоры», «договорам». Это критично для BM25-части гибрида. Кроме того, ELK-стек (Logstash, Kibana) позволяет мониторить индексы и визуализировать метрики поиска без дополнительных инструментов.

Какие настройки HNSW дают наилучший баланс скорости и качества?

Для продакшена мы рекомендуем HNSW с параметрами m=16, ef_construction=100. Это оптимальный баланс между скоростью индексации и точностью поиска. Слишком маленькое num_candidates (менее 100) снижает recall, слишком большое — увеличивает latency. В наших проектах используем cosine similarity как метрику расстояния для эмбеддингов.

Как мы это делаем: стек, конфиги, кейс

Стек: Elasticsearch 8.11+, OpenAI text-embedding-3-small (1536-dim), Python 3.11, официальный клиент elasticsearch-py.

Кейс из нашей практики: миграция существующего Elasticsearch на RAG

Контекст: наш клиент — компания с 500K юридических документов в Elasticsearch 8.x. Задача: добавить RAG-поверхность без смены инфраструктуры.

Шаги:

1. Добавление поля embedding (dense_vector, dims=1536) к существующему маппингу.
2. Батчевая векторизация существующих документов (2 дня, 500K × $0.02/1M = $10).
3. Reindexing с новым полем (6 часов).
4. Добавление RRF fusion в поисковые запросы.
5. RAG-слой поверх ES retrieval.

Результаты (vs чистый BM25):

• NDCG@5: 0.64 → 0.81
• Recall@10: 0.71 → 0.88
• Latency P95: 85мс → 140мс (hybrid)
• Faithfulness (RAGAS): 0.76 → 0.91

Экономия на инфраструктуре: не нужно поднимать отдельный сервер за $200/мес. Переход от pure BM25 к hybrid kNN+BM25 дал +27% к NDCG без смены инфраструктуры. Клиент получил работающий RAG за 2 недели.

Создание индекса и индексация документов

Добавляем поле dense_vector в существующий индекс и выполняем батчевую векторизацию.

from elasticsearch import Elasticsearch

es = Elasticsearch("http://localhost:9200")

# Создание индекса с маппингом
index_config = {
    "mappings": {
        "properties": {
            "content": {
                "type": "text",
                "analyzer": "russian",  # Нативная поддержка русской морфологии
            },
            "source": {"type": "keyword"},
            "doc_type": {"type": "keyword"},
            "page": {"type": "integer"},
            "date": {"type": "date"},
            "embedding": {
                "type": "dense_vector",
                "dims": 1536,
                "index": True,
                "similarity": "cosine",
                "index_options": {
                    "type": "hnsw",
                    "m": 16,
                    "ef_construction": 100,
                }
            }
        }
    },
    "settings": {
        "number_of_shards": 1,
        "number_of_replicas": 1,
    }
}

es.indices.create(index="knowledge_base", body=index_config)

from openai import OpenAI
from elasticsearch.helpers import bulk

openai_client = OpenAI()

def generate_actions(chunks: list):
    texts = [c["text"] for c in chunks]
    response = openai_client.embeddings.create(
        model="text-embedding-3-small",
        input=texts
    )
    embeddings = [e.embedding for e in response.data]

    for chunk, embedding in zip(chunks, embeddings):
        yield {
            "_index": "knowledge_base",
            "_source": {
                "content": chunk["text"],
                "source": chunk["source"],
                "doc_type": chunk["doc_type"],
                "page": chunk.get("page", 0),
                "embedding": embedding,
            }
        }

bulk(es, generate_actions(document_chunks))

Hybrid Search: BM25 + kNN на практике

Elasticsearch поддерживает гибридный поиск через knn + query в одном запросе с RRF fusion.

def hybrid_search_es(
    query: str,
    doc_type_filter: str = None,
    top_k: int = 5
) -> list:
    query_embedding = openai_client.embeddings.create(
        model="text-embedding-3-small",
        input=query
    ).data[0].embedding

    filter_clause = []
    if doc_type_filter:
        filter_clause.append({"term": {"doc_type": doc_type_filter}})

    body = {
        "query": {
            "bool": {
                "must": {
                    "match": {
                        "content": {
                            "query": query,
                            "analyzer": "russian"
                        }
                    }
                },
                "filter": filter_clause,
            }
        },
        "knn": {
            "field": "embedding",
            "query_vector": query_embedding,
            "k": top_k * 3,
            "num_candidates": 100,
            "filter": filter_clause,
        },
        "rank": {
            "rrf": {
                "window_size": 50,
                "rank_constant": 20,
            }
        },
        "size": top_k,
        "_source": ["content", "source", "doc_type"],
    }

    response = es.search(index="knowledge_base", body=body)
    return [
        {
            "text": hit["_source"]["content"],
            "source": hit["_source"]["source"],
            "score": hit["_score"],
        }
        for hit in response["hits"]["hits"]
    ]

Преимущество русской морфологии из коробки

Elasticsearch с analyzer russian поддерживает стемминг русских слов через Snowball. Это критично для BM25 части гибридного поиска — запрос «договором» найдёт документы с «договор», «договоры», «договорам».

es.indices.analyze(
    index="knowledge_base",
    body={"analyzer": "russian", "text": "договором аренды"}
)
# tokens: ["договор", "аренд"] — стеммированные формы

Что входит в работу

• Аудит текущего индекса ES (маппинг, шарды, производительность)
• Проектирование схемы dense_vector и выбор embedding-модели
• Написание скриптов батчевой векторизации и реиндексации
• Реализация hybrid search с RRF fusion
• Интеграция RAG-пайплайна (с LangChain или прямыми вызовами OpenAI)
• Тестирование: NDCG, Recall, latency, faithfulness
• Документация и обучение команды (2 часа воркшопа)

Сроки ориентировочно

Сравнение Elasticsearch kNN с альтернативными векторными базами

Elasticsearch выигрывает по комплексной стоимости и простоте, если ES уже в продакшене. Для стартапов без легаси — Pinecone может быть быстрее в запуске.

Получите консультацию по вашему проекту — мы уже реализовали 10+ подобных проектов. Свяжитесь с нами, чтобы обсудить детали и получить индивидуальную оценку.

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.