Создание RAG-системы для AI-бота в мобильном приложении

Внедрение RAG-системы для AI-бота

RAG решает конкретную проблему: модель не знает ваш продукт, вашу документацию, ваши внутренние регламенты. Дообучение дорого и медленно обновляется. RAG — дешевле, актуальнее, прозрачнее. Пользователь задаёт вопрос → система ищет релевантные фрагменты документации → передаёт их в контекст модели → модель отвечает на основе реальных данных. Наш опыт показывает, что качественно реализованный RAG повышает точность ответов до 95% и снижает нагрузку на поддержку на 40–50%.

В отличие от традиционных чат-ботов, RAG-бот использует живую базу знаний: вы добавляете или меняете документы — бот сразу отвечает по обновлённой информации. Это особенно важно для мобильных приложений с часто меняющимися тарифами, продуктами или условиями. Мы внедрили RAG-системы для 15+ проектов, включая мобильные приложения с чувствительными данными. Наша команда имеет 8+ лет опыта в мобильной разработке (iOS, Android, Flutter) и серверной архитектуре. Гарантируем прозрачность: вы видите, откуда берётся каждый ответ. Среднее время ответа RAG-бота составляет 1–3 секунды, включая поиск и генерацию, что соответствует ожиданиям пользователей.

Техника описана в работе Lewis et al.

Проблемы, которые решает RAG

Первая и главная — галлюцинации модели. Без контекста LLM может выдумать несуществующие функции или параметры. RAG фиксирует ответы на вашей документации.

Вторая — актуальность данных. Переобучать модель каждый раз при изменении документации дорого и долго. RAG подтягивает последнюю версию из базы знаний.

Третья — доверие пользователей. Мобильный чат-бот с RAG показывает источники ответа — пользователь может проверить информацию. Это снижает количество эскалаций.

Компоненты RAG-системы

Chunking: самый недооценённый этап

Качество RAG определяется качеством чанков. Плохой chunking убивает точность независимо от модели.

Фиксированный chunking (по 500 символов) — не делайте так. Разрывает предложения, теряет контекст абзацев.

Семантический chunking — разбивка по смысловым границам (заголовки, абзацы, предложения). Для Markdown и HTML работает по умолчанию. Библиотека LangChain4j на Java/Kotlin предоставляет RecursiveCharacterTextSplitter с разделителями ["\n\n", "\n", ". "] — это правильный подход.

Overlap — перекрытие между чанками 10–20%: последние 50–100 токенов предыдущего чанка включаются в начало следующего. Это сохраняет контекст на границах.

Оптимальный размер чанка зависит от типа документа: для технической документации — 300–500 токенов, для юридических текстов — 500–800 токенов, для FAQ — чанк = один вопрос+ответ.

Какую модель эмбеддингов выбрать?

Для мобильного приложения с чувствительными данными — self-hosted модель. OpenAI Embeddings отправляют документы на сервера OpenAI.

Что лучше: hybrid search или чистый векторный?

Hybrid search — комбинация векторного поиска и BM25 (keyword search) даёт лучшие результаты, чем только векторный. Pgvector + pg_trgm позволяют делать это в PostgreSQL без отдельной инфраструктуры.

Reranking — после vector search берём топ-20 результатов, прогоняем через cross-encoder модель (cross-encoder/ms-marco-MiniLM-L-6-v2), возвращаем топ-5. Это существенно улучшает релевантность. Cohere Rerank API — если не хотите self-hosted модель.

Metadata filtering — если у документов есть метаданные (дата, раздел, язык, тип документа), фильтруйте по ним до векторного поиска. Искать по векторам среди 10 тысяч релевантных чанков вместо миллиона — быстрее и точнее.

Формирование промпта с контекстом

System: Ты помощник по продукту компании. Отвечай ТОЛЬКО на основе предоставленного контекста.
Если ответа нет в контексте — скажи об этом прямо.

Контекст:
[Чанк 1]: <текст>
[Чанк 2]: <текст>
[Чанк 3]: <текст>

User: Как настроить двухфакторную аутентификацию?

Указывать источники — хорошая практика. На мобильном отображаем список чанков/документов под ответом: пользователь может проверить, откуда информация. Это снижает hallucination risk и повышает доверие.

Мобильный UI для RAG-бота

Особенности рендеринга ответа:

• Стриминг через SSE — ответ появляется постепенно
• Источники под ответом (коллапс-список)
• Индикатор «ищу в базе знаний» во время Retrieval (100–300 мс)
• Кнопка «Не нашёл ответа» для эскалации к оператору

На Flutter: flutter_markdown для рендеринга ответа, кастомный виджет для источников. На iOS: UILabel с NSAttributedString или UITextView + WKWebView для Markdown. На Android: Markwon — лучший Markdown-рендерер для RecyclerView.

Состав работ по внедрению RAG

• Аудит корпуса документов и проектирование схемы индексации
• Выбор и развёртывание векторной БД (Pgvector, Qdrant, Pinecone — под ваш стек)
• Реализация ingestion pipeline с семантическим chunking и overlap
• Настройка hybrid search + reranking для максимальной релевантности
• Интеграция с LLM (OpenAI, GPT-4, Claude, YandexGPT или self-hosted)
• Мобильный чат-UI с стримингом, источниками и эскалацией
• Документация по эксплуатации и обучение команды
• Оценка качества метриками RAGAS

Закажите аудит вашей базы знаний — мы проанализируем документы и предложим план внедрения RAG. Свяжитесь с нами для консультации. Напишите нам, чтобы получить детальный план.

Сроки и ориентиры

Базовый RAG-бот с простой документацией — от 3 недель. Продакшен-система с hybrid search, reranking, мультиязычностью и оценкой качества — до 12 недель. Точные сроки зависят от объёма документов и сложности интеграции.

Типичные ошибки при внедрении RAG

• Игнорирование предобработки документов: PDF с картинками, сканы, таблицы — требуют OCR и очистки.
• Отсутствие метаданных: без фильтрации по дате или разделу качество поиска падает.
• Недостаточное тестирование: используйте метрики RAGAS — точность, релевантность, faithfulness.
• Пренебрежение безопасностью: настройте фильтрацию контекста, чтобы модель не выдавала чувствительные данные.

RAG — это не одна модель, а система из множества компонентов. Обратитесь к специалистам с опытом: мы поможем избежать типовых ошибок и внедрить решение, которое будет работать надёжно.

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).