Загрузка и индексация документов для RAG в мобильных приложениях

Приложение вылетает при загрузке PDF 50+ МБ — типичная жалоба на этапе QA. В 90% случаев прямая загрузка в память приводит к OutOfMemoryError на Android и низкой производительности на iOS. Мы решили это потоковой передачей данных и асинхронным pipeline. Пользователь прикрепляет PDF из Files.app или галереи, нажимает «Загрузить» — и через несколько секунд получает возможность задавать вопросы по документу. За этими секундами скрывается сложный pipeline: загрузка файла на сервер, парсинг, разбиение на чанки, генерация эмбеддингов и запись в векторную БД. Каждый этап — потенциальный источник проблем: утечка памяти на мобильном, обрыв соединения, неверный чанкинг, потеря данных. Мы реализовали такой pipeline под ключ для 5 проектов, включая приложения с миллионными базами документов. Наш опыт показывает, что без правильной архитектуры пайплайн может рухнуть при нагрузке. В этой статье детально разбираем технические решения каждого этапа — от выбора API для загрузки до обработки ошибок на сервере.

Как реализовать загрузку файлов на мобильном устройстве?

Android: выбор правильного API

Для Android 13+ используем ActivityResultContracts.GetContent() с MIME-типом application/pdf или */*. Получаем Uri типа content://. Чтобы прочитать данные без OutOfMemoryError для больших файлов, не загружаем всё в ByteArray — передаём InputStream напрямую через кастомный RequestBody в OkHttp. Пример:

val uri: Uri = // из ActivityResult
val requestBody = object : RequestBody() {
    override fun contentType() = "application/octet-stream".toMediaType()
    override fun contentLength() = -1 // unknown
    override fun writeTo(sink: BufferedSink) {
        contentResolver.openInputStream(uri)?.use { input ->
            sink.writeAll(input.source())
        }
    }
}

Для файлов более 50 МБ — чанкованная загрузка через MultipartBody с вызовом writeTo по частям. Это позволяет избежать перегрузки оперативной памяти и повысить стабильность приложения.

iOS: UIDocumentPicker и потоковая загрузка

На iOS используем UIDocumentPickerViewController с UTType.pdf и т.д. Получаем URL типа file://. Чтение через Data(contentsOf:) для файлов >20 МБ опасно — лучше использовать URLSession.uploadTask(with:fromFile:), который читает файл напрямую из файловой системы, не загружая в память.

let request = URLRequest(url: uploadEndpoint)
let (_, response) = try await URLSession.shared.upload(for: request, fromFile: fileURL)

Подробнее об URLSession – стандартная документация Apple (Apple URLSession documentation).

Прогресс загрузки

Прогресс-бар обязателен: на Android — через CountingOutputStream в OkHttp, на iOS — через URLSession в свойстве uploadProgress. Пользователь должен видеть, сколько осталось. Без прогресса крупные файлы создают впечатление «зависания». Типичное время загрузки 20-30 МБ файла — около 5 секунд на хорошем соединении.

Серверный pipeline: от файла до векторов

Процесс включает следующие шаги: 1) загрузка файла, 2) извлечение текста, 3) разбиение на чанки, 4) генерация эмбеддингов, 5) загрузка в векторную БД. После загрузки файла на сервер запускаем асинхронный pipeline через Celery (или аналогичную очередь). Клиенту сразу возвращаем {"job_id": "abc", "status": "processing"}, а статус отслеживается через polling или WebSocket.

@celery.task
def process_document(file_path: str, user_id: str, content_type: str):
    text = extract_text(file_path, content_type)
    chunks = split_into_chunks(text, chunk_size=500, overlap=50)
    embeddings = create_embeddings_batch(chunks)
    upsert_to_vector_store(chunks, embeddings, user_id)
    update_document_status(file_path, "completed")

Парсинг документов — таблица:

PyMuPDF — наш выбор для PDF: корректно обрабатывает кириллицу, сохраняет информацию о шрифтах (полезно для определения заголовков). Источник: PyMuPDF. Подробнее — PyMuPDF.

Какие чанки выбирать: фиксированный размер vs семантический?

Фиксированный чанкинг быстрее и предсказуемее, но может разрывать смысловые блоки. Семантический дольше, но повышает качество ответов RAG на 15–20% по нашим замерам. Размер чанка зависит от модели эмбеддингов: для text-embedding-3-small оптимально 512 токенов. Если документ содержит таблицы или код, увеличивайте перекрытие до 100 токенов.

Почему важен прогресс и статус индексации?

Пока документ обрабатывается, клиент должен видеть актуальное состояние. Два подхода:

• Polling — каждые 2–3 секунды запрашиваем /api/documents/{job_id}/status. Просто, работает везде, но создаёт лишние запросы (до 20-30 за минуту).
• WebSocket / SSE — клиент подписывается на события для job_id. Бэкенд отправляет обновления: {"step": "chunking", "progress": 0.3} → {"step": "embedding", "progress": 0.7} → {"step": "completed"}. Лучший UX, но сложнее реализовать при фоновой работе.

Мы используем SSE как баланс между сложностью и опытом пользователя. После завершения индексации — push-уведомление через APNs/FCM. Время индексации одного документа сократили на 40% за счёт параллельной обработки чанков.

Управление документами пользователя

Пользователь может удалять документы. При удалении:

1. Удаляем файл из хранилища.
2. Удаляем все чанки из векторной БД (по user_id + document_id).
3. Обновляем запись в реляционной БД.

В Pinecone: index.delete(filter={"document_id": "xyz"}, namespace=user_id). В pgvector: DELETE FROM documents WHERE document_id = $1 AND user_id = $2.

Документы хранятся с метаданными: имя, размер, дата загрузки, количество чанков, статус. Это позволяет восстановить индексацию при сбое.

Что входит в нашу работу по внедрению RAG-пайплайна

Мы предоставляем:

• Проектирование архитектуры пайплайна под ваши сценарии
• Реализацию загрузки с прогрессом на iOS/Android
• Серверную часть: парсинг, чанкинг, эмбеддинги, векторное хранение
• Интеграцию с Firebase Cloud Messaging для уведомлений
• Документацию по API и инструкции по деплою
• Обучение команды работе с системой
• Гарантию стабильности: покрываем код unit-тестами и проводим нагрузочное тестирование

Наша команда имеет более 5 лет опыта в мобильной разработке и успешно внедрила RAG-пайплайны для 5+ проектов. Получите консультацию по архитектуре пайплайна.

Сроки и стоимость

MVP с поддержкой PDF и TXT, базовым чанкингом и pgvector — 3–4 недели. Полный pipeline с OCR, несколькими форматами, асинхронной очередью и WebSocket-статусом — 6–8 недель. Стоимость рассчитывается индивидуально после анализа требований.

Свяжитесь с нами для оценки вашего проекта. Закажите внедрение под ключ.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).