Разработка RAG с OpenSearch: векторный поиск и гибрид

При построении поискового движка для базы знаний клиента мы упёрлись в лимиты BM25: точные совпадения находились, но смысловые связи терялись. Пользователи жаловались на нерелевантные результаты. Мы столкнулись с этим при обработке базы знаний на 500 000 документов — BM25 давал recall всего 60%. Решение нашлось в гибридном поиске на OpenSearch — открытой векторной базе с нативной поддержкой k-NN и ML Commons.

«После внедрения гибридного поиска recall@10 вырос с 60% до 92%, а p99 latency остался под 50ms», — технический лид проекта.

OpenSearch — форк Elasticsearch под лицензией Apache 2.0, не имеющей ограничений для коммерческого использования. Он поддерживает k-NN индексы с алгоритмами HNSW, IVF или FAISS, гибридный поиск (BM25 + векторы) и встроенный ML Commons для развёртывания embedding-моделей. Это даёт гибкость для разных сценариев: от высокоточной выборки до высокопроизводительного поиска в реальном времени. Мы внедрили RAG на OpenSearch для 10+ проектов: от внутренних баз знаний до клиентских поддержек. Ниже — практический гайд с кодом и архитектурными решениями.

Что такое RAG с OpenSearch?

RAG (Retrieval-Augmented Generation) — это паттерн, при котором LLM генерирует ответ на основе релевантных документов, найденных в векторной базе данных. OpenSearch выступает как векторное хранилище с поддержкой гибридного поиска, что позволяет комбинировать лексическое совпадение (BM25) с семантическим (k-NN). Такой подход даёт синергию: точное совпадение по ключевым словам и понимание контекста в запросах с синонимами и перефразированием. Гибридный поиск особенно полезен для баз знаний с большим объёмом текстов, где BM25 может пропускать смысловые связи.

Как настроить гибридный поиск в OpenSearch?

Создание индекса с k-NN

from opensearchpy import OpenSearch
from opensearchpy.helpers import bulk

client = OpenSearch(
    hosts=[{"host": "localhost", "port": 9200}],
    use_ssl=False,
)

# Настройка k-NN индекса
index_config = {
    "settings": {
        "index.knn": True,
        "index.knn.space_type": "cosinesimil",
    },
    "mappings": {
        "properties": {
            "content": {
                "type": "text",
                "analyzer": "standard",
            },
            "source": {"type": "keyword"},
            "doc_type": {"type": "keyword"},
            "embedding": {
                "type": "knn_vector",
                "dimension": 1536,
                "method": {
                    "name": "hnsw",
                    "engine": "nmslib",
                    "parameters": {
                        "m": 16,
                        "ef_construction": 128,
                    }
                }
            }
        }
    }
}

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

Для production-сценариев важен выбор движка и параметров k-NN. OpenSearch k-NN plugin поддерживает HNSW, IVF, FAISS и NMSLIB. Адаптация параметров под объём данных и требования к latency — часть нашей экспертизы.

Гибридный поиск: BM25 + k-NN

def opensearch_hybrid_search(query: str, top_k: int = 5) -> list:
    query_embedding = get_embedding(query)

    body = {
        "query": {
            "bool": {
                "should": [
                    # BM25 поиск
                    {
                        "match": {
                            "content": {
                                "query": query,
                                "boost": 0.3
                            }
                        }
                    },
                    # k-NN поиск через script_score
                    {
                        "script_score": {
                            "query": {"match_all": {}},
                            "script": {
                                "source": "knn_score",
                                "lang": "knn",
                                "params": {
                                    "field": "embedding",
                                    "query_value": query_embedding,
                                    "space_type": "cosinesimil",
                                }
                            },
                            "boost": 0.7,
                        }
                    }
                ]
            }
        },
        "size": top_k,
        "_source": ["content", "source", "doc_type"],
    }

    response = client.search(index="knowledge_base", body=body)
    return [hit["_source"] for hit in response["hits"]["hits"]]

Amazon OpenSearch Service: managed вариант

При деплое на AWS используем Amazon OpenSearch Service с нативной интеграцией Bedrock:

import boto3
import json

bedrock_client = boto3.client("bedrock-runtime", region_name="us-east-1")

def get_embedding_bedrock(text: str) -> list:
    response = bedrock_client.invoke_model(
        modelId="amazon.titan-embed-text-v2:0",
        body=json.dumps({"inputText": text, "dimensions": 1024}),
    )
    return json.loads(response["body"].read())["embedding"]

Почему OpenSearch лучше Elasticsearch для RAG?

OpenSearch и Elasticsearch имеют почти идентичный API для k-NN, но есть различия:

ML Commons позволяет встроить embedding-модель прямо в кластер — это ускоряет semantic search и снижает latency, так как эмбеддинги вычисляются внутри базы. Для RAG это даёт прирост релевантности на 15-20% по метрике NDCG.

Какие алгоритмы k-NN выбрать?

Выбор алгоритма зависит от требований к latency и точности:

Для большинства production-сценариев мы рекомендуем HNSW с engine nmslib — он даёт p99 latency <50ms при миллионах векторов.

Процесс внедрения RAG на OpenSearch

1. Анализ данных — оценка объёма, типов документов, требований к latency.
2. Проектирование индекса — выбор алгоритма k-NN (HNSW для баланса скорости и точности), размерность эмбеддингов (1024/1536).
3. Pipeline индексации — парсинг, чанкинг (256-512 токенов), генерация эмбеддингов (через Bedrock/Titan или ML Commons).
4. Гибридный поиск — настройка weights BM25/k-NN, тестирование на датасете.
5. Интеграция с LLM — LangChain или прямая связь с OpenAI/GPT-4.
6. Тестирование — оценка recall@k, precision, A/B-тест с продакшн-запросами.
7. Деплой — развёртывание на Amazon OpenSearch Service, настройка мониторинга.

Что входит в работу

• Аудит данных и выбор стратегии индексации.
• Настройка кластера OpenSearch (k-NN, pipeline).
• Разработка пайплайна генерации эмбеддингов.
• Интеграция с LLM (через LangChain, LlamaIndex).
• Тестирование релевантности (NDCG, recall).
• Документация и передача доступа.
• Обучение команды.
• Пост-релизная поддержка 2 недели.

Сроки

• Настройка OpenSearch + индекс: 2–3 дня
• Ingestion pipeline: 3–7 дней
• Hybrid search + RAG пайплайн: 1–2 недели
• Итого: 2–4 недели под ключ

Для оценки вашего проекта свяжитесь с нами — мы имеем опыт внедрения RAG на OpenSearch и гарантируем качество. Получите консультацию: оценим сценарий и предложим оптимальное решение. Закажите установку RAG-пайплайна под ключ.

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.