Разработка RAG с векторной базой данных Elasticsearch (kNN)

Разработка RAG с векторной базой данных Elasticsearch (kNN)

Elasticsearch с версии 8.x поддерживает нативный k-Nearest Neighbors поиск по dense векторам (dense_vector field). Для команд, уже использующих Elasticsearch как поисковый движок, это наиболее естественный путь к RAG — без добавления новой инфраструктуры. Нативная интеграция полнотекстового BM25 и векторного поиска делает ES сильным выбором для hybrid retrieval.

Создание индекса с dense_vector полем

from elasticsearch import Elasticsearch

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

# Создание индекса с маппингом
index_config = {
    "mappings": {
        "properties": {
            "content": {
                "type": "text",
                "analyzer": "russian",  # Нативная поддержка русского морфологии
            },
            "source": {"type": "keyword"},
            "doc_type": {"type": "keyword"},
            "page": {"type": "integer"},
            "date": {"type": "date"},
            "embedding": {
                "type": "dense_vector",
                "dims": 1536,
                "index": True,
                "similarity": "cosine",
                # HNSW параметры
                "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)

Индексация документов

from openai import OpenAI
from elasticsearch.helpers import bulk

openai_client = OpenAI()

def generate_actions(chunks: list):
    texts = [c["text"] for c in chunks]
    # Батч embedding
    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,
            }
        }

# Батчевая загрузка
bulk(es, generate_actions(document_chunks))

Hybrid Search: BM25 + kNN

Elasticsearch поддерживает гибридный поиск через knn + query в одном запросе:

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

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

    # Hybrid: kNN + BM25 через RRF
    body = {
        "query": {
            "bool": {
                "must": {
                    "match": {
                        "content": {
                            "query": query,
                            "analyzer": "russian"
                        }
                    }
                },
                "filter": filter_clause,
            }
        },
        "knn": {
            "field": "embedding",
            "query_vector": query_embedding,
            "k": top_k * 3,  # Расширенный набор для fusion
            "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: русская морфология 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».

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

Практический кейс: миграция существующего Elasticsearch на RAG

Контекст: компания использует ES 8.x как поисковик по 500K документов. Задача: добавить RAG поверх 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

Переход от pure BM25 к hybrid kNN+BM25 дал +27% к NDCG без смены инфраструктуры.

Сроки

• Добавление vector field + reindexing: 2–5 дней
• Разработка hybrid search запросов: 3–5 дней
• RAG-пайплайн и оценка: 1–2 недели
• Итого: 2–4 недели