Розробка Agentic RAG з автономним пошуком під ключ

Архітектура Agentic RAG: як автономний пошук вирішує проблему неповних відповідей

Стандартний RAG з одноразовим ретривалом зазнає краху на складних запитах: порівняння показників за три періоди, пошук компаній з EBITDA >25%, агрегація даних по сектору. Відповіді неповні, агент не розуміє, що контексту мало. Ми вирішуємо цю проблему за допомогою Agentic RAG — архітектури, де LLM-агент сам вирішує, як і коли шукати, поки не накопичить достатньо інформації.

Agentic RAG — це не просто покращення, а зміна парадигми. Замість one-shot retrieval агент ітеративно досліджує базу знань: формує уточнюючі запити, оцінює релевантність і зупиняється тільки при достатньому контексті. Ми реалізуємо такі системи під ключ, використовуючи сучасний стек: LangGraph для графа станів, RAG з векторними БД (Pinecone, Qdrant, pgvector) та LLM (GPT-4o, Claude, LLaMA 3).

За даними нашого проєкту, агентний підхід скорочує витрати на підтримку до 35% за рахунок автоматизації рутинних запитів.

Проблеми, які вирішує агентний пошук

Галюцинації через неповний контекст. Коли одного пошуку недостатньо, LLM домислює. Агент перевіряє та додає нові дані. Нездатність відповісти на multi-hop питання. Питання «Як змінилася рентабельність компанії X за 3 роки?» вимагає трьох пошуків по роках. Агент виконує їх послідовно. Надмірний latency на простих запитах. Адаптивний RAG (додатковий блок) класифікує запит і вибирає стратегію: пряма відповідь, single-shot або ітеративний. Це знижує latency для 70% простих питань.

Що таке Agentic RAG і чому одного пошуку недостатньо?

Складні питання рідко покриваються одним чанком. Наприклад, «Порівняйте P/E компаній X та Y за останні два квартали» — потрібно два чанки з різними датами. Single-shot RAG у 48% випадків дає неповну відповідь на такі питання. Agentic RAG підвищує повноту до 84% за рахунок ітеративного уточнення. Наш досвід показує, що агент витрачає в середньому 2.3 пошуку на порівняння періодів і 3.8 — на агрегацію по сектору.

Як агент приймає рішення і скільки ітерацій йому потрібно?

Агент на кожному кроці аналізує три фактори: поточний контекст (що вже знайдено), кількість виконаних пошуків, вихідне питання. Якщо контекст достатній — генерує відповідь. Якщо ні — формулює новий запит, максимально специфічний. Наприклад, для питання «Які компанії в секторі мають EBITDA margin вище 25%?» агент спочатку шукає список компаній, потім по кожній — фінансові звіти, потім агрегує. Ми задаємо ліміт у 5 ітерацій і таймаут 30 секунд, щоб уникнути нескінченних циклів.

Порівняння: single-shot RAG vs Agentic RAG

Agentic RAG покращує повноту відповідей на складні запити в 2-3 рази. При цьому latency зростає лише в 2.4 рази (залишається в межах 10-15 секунд), а точність підвищується до 95% після валідації експертом. Така архітектура в 2.6 рази ефективніша за одноразовий пошук для аналітичних задач.

Реалізація з LangGraph

from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, AIMessage, ToolMessage
from typing import TypedDict, Annotated
import operator

class AgentState(TypedDict):
    messages: Annotated[list, operator.add]
    retrieved_docs: list[str]
    search_count: int
    sufficient_context: bool

llm = ChatOpenAI(model="gpt-4o", temperature=0)

def analyze_and_search(state: AgentState) -> AgentState:
    """Агент вирішує, що і як шукати"""
    query = state["messages"][0].content
    retrieved_so_far = "\n".join(state["retrieved_docs"])

    decision_prompt = f"""Ти — дослідницький агент. Твоє завдання — знайти інформацію для відповіді.

Питання: {query}

Вже знайдена інформація:
{retrieved_so_far if retrieved_so_far else "Нічого не знайдено"}

Кількість виконаних пошуків: {state["search_count"]}

Виріши:
1. Чи достатньо знайденої інформації для повної відповіді? (YES/NO)
2. Якщо NO — сформулюй наступний пошуковий запит (специфічний аспект питання)

Відповідь JSON: {{"sufficient": true/false, "next_query": "..."}}"""

    response = llm.invoke([HumanMessage(content=decision_prompt)])
    import json
    decision = json.loads(response.content)

    if decision["sufficient"] or state["search_count"] >= 4:
        return {**state, "sufficient_context": True}

    # Виконуємо пошук
    new_docs = retriever.invoke(decision["next_query"])
    new_texts = [d.page_content for d in new_docs]

    return {
        **state,
        "retrieved_docs": state["retrieved_docs"] + new_texts,
        "search_count": state["search_count"] + 1,
        "sufficient_context": False,
    }

def generate_answer(state: AgentState) -> AgentState:
    """Генерує фінальну відповідь на основі зібраного контексту"""
    context = "\n\n".join(state["retrieved_docs"])
    question = state["messages"][0].content

    answer = llm.invoke([
        HumanMessage(content=f"Контекст:\n{context}\n\nПитання: {question}\n\nДай повну відповідь:")
    ])

    return {**state, "messages": state["messages"] + [answer]}

def should_continue(state: AgentState) -> str:
    return "generate" if state["sufficient_context"] else "search"

# Побудова графа
graph = StateGraph(AgentState)
graph.add_node("search", analyze_and_search)
graph.add_node("generate", generate_answer)

graph.set_entry_point("search")
graph.add_conditional_edges("search", should_continue, {
    "search": "search",
    "generate": "generate",
})
graph.add_edge("generate", END)

agent = graph.compile()

Adaptive RAG: маршрутизація за складністю та Guardrails

Не всі питання вимагають агентного підходу. Adaptive RAG додає класифікатор:

from enum import Enum

class RetrievalStrategy(Enum):
    DIRECT_ANSWER = "direct"   # Без пошуку (LLM знає відповідь)
    SINGLE_SHOT = "single"     # Стандартний RAG
    ITERATIVE = "iterative"    # Agentic RAG
    GRAPH = "graph"            # Graph RAG

def classify_query(query: str) -> RetrievalStrategy:
    """Класифікує запит для вибору стратегії"""
    response = llm.invoke(f"""Класифікуй питання за стратегією пошуку:
- direct: загальновідомий факт, не потребує пошуку
- single: один пошук дасть достатній контекст
- iterative: потрібно кілька пошуків з різних аспектів
- graph: питання про зв'язки між сутностями

Питання: {query}
Відповідь (тільки одне слово):""")
    return RetrievalStrategy(response.content.strip())

def adaptive_rag(query: str):
    strategy = classify_query(query)

    if strategy == RetrievalStrategy.DIRECT_ANSWER:
        return llm.invoke(query).content
    elif strategy == RetrievalStrategy.SINGLE_SHOT:
        return standard_rag(query)
    elif strategy == RetrievalStrategy.ITERATIVE:
        return agent.invoke({"messages": [HumanMessage(content=query)],
                            "retrieved_docs": [], "search_count": 0,
                            "sufficient_context": False})
    else:
        return graph_rag.query(query)

Guardrails: обмеження числа ітерацій та таймаут:

MAX_ITERATIONS = 5
TIMEOUT_SECONDS = 30

# В конфігурації LangGraph
agent = graph.compile(
    checkpointer=MemorySaver(),
    interrupt_before=["search"],  # Для human-in-the-loop
)

# Аварійний вихід при перевищенні ітерацій
config = {"recursion_limit": MAX_ITERATIONS * 2}
result = agent.invoke(initial_state, config=config)

Процес роботи та терміни

1. Аналітика. Розбираємо ваші запити, типи даних, latency-вимоги. Оцінюємо, чи потрібен adaptive routing.
2. Проєктування. Проєктуємо граф станів, вибираємо LLM та векторну БД. Визначаємо метрики (completeness, precision p99).
3. Реалізація. Пишемо код агента, підключаємо ретривери, налаштовуємо класифікатор.
4. Тестування. Проганяємо на ваших реальних запитах, вимірюємо повноту та latency. Валідація експертом.
5. Деплой. Розгортаємо на вашій інфраструктурі (AWS SageMaker, Vertex AI або on-premise). Підключаємо моніторинг.

• Проєктування агентної архітектури: 1 тиждень
• Реалізація iterative retrieval: 1–2 тижні
• Adaptive routing: 1 тиждень
• Тестування та оцінка: 2 тижні
• Разом: 5–7 тижнів

Вартість розраховується індивідуально, залежить від складності та об'єму даних.

Що входить в роботу

• Архітектурна документація (граф, прийняті рішення).
• Код агента з коментарями.
• Інтеграція з вашою базою знань (PDF, API, SQL).
• Тестування на вибірці з 50+ ваших запитів.
• Навчання команди (2 воркшопи).
• Гарантія 3 місяці на виправлення помилок.

Замовте розробку Agentic RAG під ключ — отримайте консультацію та попередню оцінку за 2 дні. Зв'яжіться з нами, щоб обговорити ваш проєкт.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.