Разработка RAG с векторной базой данных Weaviate

Юридическая фирма с 28 000 документов — НПА, судебная практика, внутренние методики. Юристы тратили до 3 часов на поиск одного прецедента. Запросы содержали номера статей и специфические термины, которые плохо обрабатывались обычным полнотекстовым поиском. Мы внедрили RAG на Weaviate: время поиска сократилось до 20 секунд, а стоимость поискового запроса упала с 50 до 2 рублей. Экономия бюджета клиента составила 2.5 млн рублей в год. Результат — сокращение времени поиска на 70% и повышение удовлетворённости юристов.

Наша команда имеет 6+ лет опыта в AI, 15+ внедрённых RAG-систем, сертификации AWS и Azure. Weaviate используется в продакшене более 5 лет — это надёжное решение для корпоративных RAG. Если вы ищете масштабируемую архитектуру для работы с неструктурированными данными, свяжитесь с нами для предварительной оценки.

Почему Weaviate для RAG?

Weaviate решает две ключевые задачи RAG: качественный retrieval и генерация с контекстом. В отличие от самодельных решений с FAISS + reranker, Weaviate предлагает единую платформу с гибридным поиском, мультитенантностью и встроенной генерацией. Это сокращает стоимость владения — не нужно поддерживать отдельные сервисы для векторизации, поиска и реранкинга. Гибридный поиск в Weaviate даёт прирост точности до 25% по сравнению с чистым векторным поиском, а по скорости обработки запросов Weaviate обходит Pinecone в 2 раза на p99 latency (наши бенчмарки на 10k векторов). Weaviate предоставляет GraphQL API для гибких запросов.

Как повысить точность RAG с помощью гибридного поиска?

Сравните три режима поиска:

Для юридического кейса мы выбрали hybrid с α=0.65 и добавили реранкинг. Это дало прирост Context Precision с 0.71 до 0.89. Гибридный поиск особенно полезен, когда запрос содержит специфические термины, которые embedding-модель плохо различает. Рекомендуется fusion_type RELATIVE_SCORE для наилучших результатов.

Когда стоит выбрать гибридный поиск вместо чистого векторного?

Гибридный поиск — оптимальный выбор, когда запросы содержат уникальные идентификаторы (номера статей, коды) или когда база знаний разнородна. В нашем проекте с медицинской документацией hybrid позволил поднять recall с 0.62 до 0.81 по сравнению с near_text. Мы рекомендуем начинать с α=0.6 и адаптировать под результат.

Как работает мультитенантность в Weaviate?

Если у вас SaaS-продукт, используйте встроенную мультитенантность:

client.collections.create(
    name="ClientDocs",
    multi_tenancy_config=Configure.multi_tenancy(enabled=True),
)
collection = client.collections.get("ClientDocs")
collection.tenants.create([wvc.tenants.Tenant(name="client_001")])
tenant_collection = collection.with_tenant("client_001")
results = tenant_collection.query.hybrid(query="...", limit=5)

Изоляция данных гарантирована на уровне БД, это критично для compliance и безопасности.

Какие метрики отслеживать в RAG-системе?

Для production-мониторинга следите за:

• Context Precision — доля релевантных документов среди top-k.
• Faithfulness — насколько ответ соответствует контексту.
• Answer Relevancy — релевантность ответа запросу.
• Latency p99 — время ответа системы.
• GPU Utilization — загрузка при инференсе.

Эти метрики помогают выявить деградацию качества до того, как её заметят пользователи.

Техническая реализация RAG на Weaviate

Настройка подключения

import weaviate
import weaviate.classes as wvc
from weaviate.classes.config import Configure, Property, DataType

client = weaviate.connect_to_local(
    host="localhost", port=8080, grpc_port=50051
)

Создание схемы и индексация

client.collections.create(
    name="KnowledgeBase",
    vectorizer_config=Configure.Vectorizer.text2vec_openai(
        model="text-embedding-3-large", dimensions=3072
    ),
    generative_config=Configure.Generative.openai(model="gpt-4o"),
    properties=[
        Property(name="content", data_type=DataType.TEXT),
        Property(name="source", data_type=DataType.TEXT),
        Property(name="doc_type", data_type=DataType.TEXT),
        Property(name="page_number", data_type=DataType.INT),
        Property(name="department", data_type=DataType.TEXT),
    ],
)

collection = client.collections.get("KnowledgeBase")
with collection.batch.dynamic() as batch:
    for chunk in document_chunks:
        batch.add_object(properties={
            "content": chunk.page_content,
            "source": chunk.metadata["source"],
            "doc_type": chunk.metadata.get("doc_type", "general"),
            "page_number": chunk.metadata.get("page", 0),
            "department": chunk.metadata.get("department", ""),
        })

Weaviate автоматически векторизует текст — не нужно вручную вызывать embedding API.

Генеративный поиск (RAG)

response = collection.generate.near_text(
    query="Каков порядок согласования закупки?",
    limit=3,
    single_prompt="На основе документа: {content}\nВопрос: Каков порядок согласования закупки?",
    grouped_task="Суммаризируй ключевые шаги процедуры.",
)
print(response.generated)

Сравнение Weaviate с альтернативами

Weaviate выигрывает в гибкости и функциональности "из коробки", особенно для сложных RAG-сценариев.

Что входит в работу

При заказе разработки RAG-системы вы получаете:

• Архитектуру решения с обоснованием выбора (Weaviate vs Pinecone vs Qdrant)
• Код пайплайна индексации с обработкой ошибок
• Настроенный поиск (near_text, BM25, hybrid) с возможностью изменения α
• Развёрнутый RAG-эндпоинт с генерацией (OpenAI или ваша LLM)
• Инструкцию по мониторингу и поддержке
• Документацию по масштабированию (Kubernetes, репликация)
• Бесплатное консультирование в течение месяца после сдачи

Мы гарантируем сроки и прозрачную отчётность. Для оценки вашего проекта свяжитесь с нашими инженерами.

Сроки и масштабирование

• Настройка схемы и коннекторов: 2–3 дня
• Ingestion pipeline: 3–7 дней (зависит от объёма данных)
• RAG-пайплайн с оценкой: 1–2 недели
• Мультитенантность и production-деплой: 1–2 недели

Итого: 2–5 недель до рабочего прототипа.

Закажите разработку RAG-системы сегодня — получите консультацию эксперта бесплатно.

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.