Разработка RAG с Pinecone: пайплайны, гибридный поиск, кейсы

Разработка RAG с векторной базой данных Pinecone

Отметим: когда ваша корпоративная база знаний разрастается до сотен тысяч документов, обычный полнотекстовый поиск перестаёт справляться: релевантные документы тонут в шуме, а синонимичные термины не учитываются. RAG (Retrieval-Augmented Generation) с векторной базой данных — единственный способ сохранить быстрый доступ к нужной информации. Мы разрабатываем RAG-пайплайны с Pinecone под ключ: от выбора модели эмбеддингов до мониторинга в продакшене. Оценка проекта — в течение дня: пришлите описание данных и сценариев использования. Получите консультацию по вашему сценарию — мы оценим данные за 1 день.

Почему Pinecone Serverless?

Serverless-режим избавляет от управления кластером: вы не резервируете pod'ы, не настраиваете автоскейлинг. Платите только за операции записи, чтения и хранение — идеально для проектов с переменной нагрузкой. Pinecone поддерживает гибридный поиск (dense + sparse через BM25), что критично для доменов с высокой точностью терминов (юриспруденция, медицина). Мы используем BM25Encoder для построения sparse-векторов без дополнительной инфраструктуры. Типичная экономия на инфраструктуре составляет от 20% до 40% по сравнению с self-hosted решениями.

Как мы инициализируем индекс

from pinecone import Pinecone, ServerlessSpec
from openai import OpenAI

pc = Pinecone(api_key="...")

# Создание serverless индекса
pc.create_index(
    name="corporate-knowledge-base",
    dimension=3072,        # text-embedding-3-large
    metric="cosine",
    spec=ServerlessSpec(
        cloud="aws",
        region="us-east-1"
    )
)

index = pc.Index("corporate-knowledge-base")

Индексация документов с метаданными

from langchain_openai import OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter
import hashlib

embeddings_model = OpenAIEmbeddings(model="text-embedding-3-large")

def index_documents(documents: list, batch_size: int = 100):
    splitter = RecursiveCharacterTextSplitter(chunk_size=512, chunk_overlap=64)
    chunks = splitter.split_documents(documents)

    for i in range(0, len(chunks), batch_size):
        batch = chunks[i:i + batch_size]
        texts = [c.page_content for c in batch]
        vectors = embeddings_model.embed_documents(texts)

        records = []
        for chunk, vector in zip(batch, vectors):
            doc_id = hashlib.md5(chunk.page_content.encode()).hexdigest()
            records.append({
                "id": doc_id,
                "values": vector,
                "metadata": {
                    "text": chunk.page_content,
                    "source": chunk.metadata.get("source", ""),
                    "page": chunk.metadata.get("page", 0),
                    "doc_type": chunk.metadata.get("doc_type", "general"),
                    "date": chunk.metadata.get("date", ""),
                }
            })

        index.upsert(vectors=records)
        print(f"Indexed batch {i//batch_size + 1}: {len(records)} chunks")

Запрос с фильтрацией по метаданным

def rag_query(
    query: str,
    doc_type_filter: str = None,
    top_k: int = 5
) -> dict:

    query_vector = embeddings_model.embed_query(query)

    filter_dict = {}
    if doc_type_filter:
        filter_dict["doc_type"] = {"$eq": doc_type_filter}

    results = index.query(
        vector=query_vector,
        top_k=top_k,
        include_metadata=True,
        filter=filter_dict if filter_dict else None
    )

    context_chunks = []
    for match in results["matches"]:
        context_chunks.append({
            "text": match["metadata"]["text"],
            "source": match["metadata"]["source"],
            "score": match["score"]
        })

    return context_chunks

Как реализовать Hybrid Search

Pinecone поддерживает гибридный поиск через встроенный BM25. Мы обучаем BM25 на корпусе документов и используем sparse-векторы в запросах. Согласно Pinecone Hybrid Search Guide, для этого применяется pinecone_text.sparse.BM25Encoder.

from pinecone_text.sparse import BM25Encoder

bm25 = BM25Encoder()
bm25.fit(all_texts)

def hybrid_query(query: str, alpha: float = 0.5, top_k: int = 5) -> list:
    """
    alpha=1.0: только dense
    alpha=0.0: только sparse (BM25)
    alpha=0.5: равный вес обоих
    """
    dense_vector = embeddings_model.embed_query(query)
    sparse_vector = bm25.encode_queries(query)

    results = index.query(
        vector=dense_vector,
        sparse_vector=sparse_vector,
        top_k=top_k,
        include_metadata=True,
        alpha=alpha,
    )
    return results["matches"]

Гибридный поиск даёт прирост recall на 15–30% по сравнению с pure dense для доменов с высокой терминологической точностью.

Кейс из нашей практики: корпоративная база знаний ретейлера

Масштаб: 45 000 SKU с описаниями, 3 200 страниц регламентов, 800 FAQ-записей. Суммарно ~180 000 векторов. Наш клиент — сеть розничной торговли с 5+ лет опыта автоматизации.

Конфигурация: Pinecone Serverless (aws/us-east-1), dimension=1536 (text-embedding-3-small для экономии), metric=cosine.

Паттерн использования: 15 000 запросов/день, пиковая нагрузка 200 RPS в часы распродаж.

Результаты:

• Latency P95 для retrieval: 180 мс
• Latency P95 для полного RAG ответа: 2.1 с (включая GPT-4o-mini)
• Context recall (нашли нужный документ): 0.87
• Answer accuracy (LLM-judge): 0.83

Оптимизации:

• Namespace separation: товары/регламенты/FAQ в отдельных namespace — позволяет фильтровать без overhead
• Metadata-only queries: для ряда запросов достаточно фильтра по метаданным без векторного поиска
• Cache популярных запросов: Redis кэш для топ-500 частых вопросов (~30% hit rate)

Сравнение Pinecone с альтернативами

Pinecone лучше Weaviate в сценариях с переменной нагрузкой благодаря serverless, а Chroma проигрывает по функционалу фильтрации.

Как оценить качество retrieval?

Для объективной оценки retrieval используем метрики precision@k, recall@k и NDCG. На тестовой выборке из 500 запросов с размеченными релевантными документами мы автоматически вычисляем эти показатели. Оптимальные значения precision@5 >= 0.85 и recall@10 >= 0.9. Дополнительно применяем LLM-as-judge: GPT-4o оценивает, насколько контекст достаточен для ответа. Это позволяет выявить проблемы с чанкингом или ошибки эмбеддингов.

Что входит в работу

1. Аудит данных: анализ источников, определение стратегии чанкинга и метаданных.
2. Проектирование схемы индекса: выбор размерности, метрики, конфигурация serverless.
3. Разработка пайплайна индексации: batch processing, deduplication, обогащение метаданных.
4. RAG-пайплайн: интеграция с LLM (GPT-4o, Claude, LLaMA), промпт-инжиниринг, защита от halluciation.
5. Тестирование и мониторинг: precision/recall, latency p99, LLM-as-judge.
6. Документация и обучение: model card, инструкция для разработчиков, передача доступа.
7. Сопровождение: гарантия 3 месяца, SLA на инциденты.

Сроки ориентировочно

Стоимость рассчитывается индивидуально на основе объёма данных, количества источников и сложности интеграций. Свяжитесь с нами для оценки вашего проекта — обсудим детали и подготовим коммерческое предложение в течение дня.

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.