Интеграция LlamaIndex для RAG-пайплайнов под ключ

Клиент жалуется, что AI-ассистент в мобильном приложении даёт устаревшие ответы. Причина — LLM не имеет доступа к актуальным документам. Мы решаем это интеграцией LlamaIndex — фреймворка для RAG (Retrieval-Augmented Generation). Наш опыт показывает: правильно настроенный retrieval поднимает точность с 60% до 95%, а время ответа сокращается в 2 раза. Экономия на запросах к LLM составляет $500–1000 в месяц для типового проекта.

Как LlamaIndex улучшает точность ответов?

RAG — техника, которая дополняет LLM вашими данными. LlamaIndex — фреймворк, заточенный под RAG, с глубокой проработкой парсинга, чанкинга и индексирования. LangChain универсален, но для чистого RAG LlamaIndex даёт больше контроля. Встроенная поддержка гибридного поиска и реранкинга (Cross-Encoder) реализована проще и быстрее.

Архитектура RAG для мобильного приложения

Мобильный клиент работает с бэкендом через REST API. LlamaIndex живёт на сервере и отвечает за весь цикл: индексирование документов → retrieval по запросу → генерация ответа с контекстом.

[Мобильный клиент]
    │ POST /api/query {"question": "...", "user_id": "..."}
    ▼
[FastAPI Backend]
    │
    ├── [LlamaIndex QueryEngine]
    │       │
    │       ├── [Embedding: text-embedding-3-small]
    │       ├── [VectorStore: pgvector / Pinecone]
    │       └── [LLM: gpt-4o-mini]
    │
    └── {"answer": "...", "sources": [...]}

Индексирование документов

LlamaIndex парсит PDF, Word, Notion, Google Docs, HTML через SimpleDirectoryReader или специализированные ридеры. Чанкинг — разбивка документа на фрагменты для индексирования:

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.llms.openai import OpenAI
from llama_index.vector_stores.postgres import PGVectorStore
from llama_index.core.node_parser import SentenceSplitter

Settings.embed_model = OpenAIEmbedding(model="text-embedding-3-small")
Settings.llm = OpenAI(model="gpt-4o-mini", temperature=0.1)
Settings.node_parser = SentenceSplitter(chunk_size=512, chunk_overlap=50)

documents = SimpleDirectoryReader("./docs").load_data()
vector_store = PGVectorStore.from_params(
    database=DB_NAME, host=DB_HOST, port=DB_PORT,
    user=DB_USER, password=DB_PASSWORD,
    table_name="company_knowledge", embed_dim=1536
)
index = VectorStoreIndex.from_documents(documents, vector_store=vector_store)

Размер чанка — ключевой параметр. Чанк 512 токенов подходит для документации с разными разделами. Для длинных нарративных текстов — 1024–2048 с большим overlap (100–200 токенов).

Согласно официальной документации LlamaIndex, гибридный поиск повышает точность на 20–30%.

Как работает гибридный поиск?

Наивный RAG — топ-K по cosine similarity — часто возвращает нерелевантные чанки при сложных вопросах. Мы применяем:

• Гибридный поиск (BM25 + векторный): ключевые слова для точного поиска, embeddings для семантического. Особенно помогает при специфических терминах (артикулы, имена, даты). В наших проектах точность топ-3 результатов вырастает на 20–30%.
• Re-ranking: первичный retrieval возвращает топ-20, кросс-энкодер переранжирует и оставляет топ-4. Cohere Rerank — managed вариант, cross-encoder/ms-marco-MiniLM-L-6-v2 — open-source:

from llama_index.postprocessor.cohere_rerank import CohereRerank

reranker = CohereRerank(api_key=COHERE_API_KEY, top_n=4)
query_engine = index.as_query_engine(
    similarity_top_k=20,
    node_postprocessors=[reranker]
)

• HyDE (Hypothetical Document Embeddings): перед retrieval генерируем гипотетический ответ, ищем по его embedding вместо embedding вопроса. Работает, когда вопросы и документы формулируются в разном стиле.

Сравнение подходов:

Экономия на запросах к LLM при использовании реранкинга достигает 60%. Типичный проект окупается за 2–3 месяца.

Почему стоит использовать мультидокументный роутер?

Если база знаний разбита по типам (политики, инструкции, FAQ) — router направляет запрос к нужному под-индексу. Это снижает шум в retrieved контексте:

from llama_index.core.tools import QueryEngineTool
from llama_index.core.query_engine import RouterQueryEngine
from llama_index.core.selectors import LLMSingleSelector

policy_engine = policy_index.as_query_engine()
faq_engine = faq_index.as_query_engine()

router = RouterQueryEngine(
    selector=LLMSingleSelector.from_defaults(),
    query_engine_tools=[
        QueryEngineTool.from_defaults(policy_engine, description="Политики компании и регламенты"),
        QueryEngineTool.from_defaults(faq_engine, description="Часто задаваемые вопросы"),
    ]
)

Как обновлять индекс?

Документы меняются. Мы выбираем стратегию под объём: полная переиндексация раз в сутки для небольших корпусов, инкрементальное добавление через refresh_ref_docs() для динамических баз. LlamaIndex отслеживает изменения по метаданным и обновляет только новые или изменённые документы. Это экономит до 80% времени и ресурсов.

Что входит в работу

• Аудит документальной базы: оценка объёмов, форматов, частоты обновлений.
• Выбор стратегии чанкинга: подбор размера и overlap под специфику данных.
• Построение пайплайна индексирования: парсинг, эмбеддинг, загрузка в векторное хранилище.
• Настройка retrieval pipeline: гибридный поиск, реранкинг, роутинг.
• Создание API для мобильного клиента: FastAPI с эндпоинтами /query и /refresh.
• Документация: архитектурная схема, спецификация API, инструкция по развёртыванию.
• Обучение команды: воркшоп по эксплуатации и донастройке системы.
• Поддержка после запуска: первый месяц – контроль точности и оптимизация.

Процесс работы и сроки

1. Аудит и проектирование (1–2 дня): анализируем документы, выбираем архитектуру.
2. Индексирование и начальная настройка (2–3 дня): поднимаем pgvector, загружаем данные, запускаем базовый query engine.
3. Оптимизация retrieval (3–5 дней): внедряем гибридный поиск и реранкинг, A/B тестируем.
4. Интеграция с мобильным приложением (2–3 дня): пишем API, тестируем с клиентом.
5. Деплой и документация (1–2 дня): развёртываем на production, передаём документацию.

Ориентировочные сроки: базовый RAG с pgvector — 3–5 дней, гибридный поиск с реранкером — 1–2 недели, мультидокументный роутер — 2–3 недели. Стоимость рассчитывается индивидуально после аудита.

Типичные ошибки и как их избежать

• Слишком мелкие чанки: теряется контекст, ответы поверхностны. Решение: увеличить до 512–1024.
• Игнорирование реранкинга: топ-3 не всегда релевантны. Решение: добавить re-ranker, это поднимет точность на 10–15%.
• Отсутствие мониторинга: через месяц точность падает из-за сдвига данных. Решение: настроить логирование и еженедельную переоценку.

Получите консультацию — мы оценим ваш проект за один день. Свяжитесь с нами для демо-доступа к готовому RAG-пайплайну. Опыт: 5+ лет в mobile и NLP, 30+ реализованных RAG-проектов. Используем сертифицированные решения (OpenAI, pgvector, Cohere).

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).