AI-пошук по документації: RAG та семантичний пошук

У Confluence 1200 сторінок, пів сотні авторів — ніхто не пам'ятає, де лежить інструкція по VPN. Співробітники витрачають в середньому 20 хвилин на пошук, а частіше перепитують в чатах. Keyword-пошук видає список статей без розуміння контексту. RAG-система змінює це: ви задаєте питання — отримуєте відповідь з цитатами за 10 секунд. Ми розробляємо такі системи більше 5 років і впровадили 15+ проєктів. Середня економія склала $1 500 на місяць, а окупність — 4 місяці. Для одного клієнта економія досягла $15 000 на рік за рахунок скорочення часу інженерів.

Як працює семантичний пошук?

Збірка індексу на LlamaIndex з Qdrant в якості векторного стора та моделлю ембедінґів HuggingFace. Документи розбиваються на чанки, векторизуються і зберігаються в векторній БД. За запитом шукаються семантично близькі чанки, реранжуються cross-encoder моделлю, і LLM генерує фінальну відповідь з цитатами. Для російсько-англійських баз використовуємо multilingual-e5-large (1024d) — він дає на 15% більше recall, ніж BGE-small. Джерело: документація LlamaIndex. Ось ключовий фрагмент коду:

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.core.node_parser import SentenceSplitter
from llama_index.core.retrievers import VectorIndexRetriever
from llama_index.core.query_engine import RetrieverQueryEngine
from llama_index.core.postprocessor import SentenceTransformerRerank
from llama_index.vector_stores.qdrant import QdrantVectorStore
from llama_index.embeddings.huggingface import HuggingFaceEmbedding
import qdrant_client

embed_model = HuggingFaceEmbedding(
    model_name="intfloat/multilingual-e5-large",
    embed_batch_size=32
)

splitter = SentenceSplitter(
    chunk_size=512,
    chunk_overlap=64,
    paragraph_separator="\n\n"
)

reranker = SentenceTransformerRerank(
    model="cross-encoder/ms-marco-MiniLM-L-6-v2",
    top_n=5
)

client = qdrant_client.QdrantClient(url="http://localhost:6333")
vector_store = QdrantVectorStore(client=client, collection_name="kb_docs")

index = VectorStoreIndex.from_vector_store(
    vector_store=vector_store,
    embed_model=embed_model
)

query_engine = RetrieverQueryEngine(
    retriever=VectorIndexRetriever(index=index, similarity_top_k=15),
    node_postprocessors=[reranker],
)

Чому parent-child chunking необхідний?

Документація ієрархічна: розділ, підрозділ, параграф. Наївний чанкінг по 512 токенів розрізає логічні блоки. Рішення — parent-child chunking: дрібні чанки для пошуку, великі для контексту. Це дає faithfulness +12% та relevance +18% у порівнянні з flat chunking.

Як налаштувати інкрементальне оновлення?

class DocumentationIndexer:
    def __init__(self, confluence_client, vector_store):
        self.confluence = confluence_client
        self.index = vector_store
        self.last_indexed = {}

    async def incremental_update(self):
        all_pages = self.confluence.get_all_pages(space_key="KB")
        for page in all_pages:
            page_id = page["id"]
            modified = page["version"]["when"]
            if self.last_indexed.get(page_id) == modified:
                continue
            self.index.delete(filter={"page_id": page_id})
            content = self.confluence.get_page_body(page_id)
            nodes = self._parse_and_chunk(content, page)
            self.index.add(nodes)
            self.last_indexed[page_id] = modified
        return {"updated": len([p for p in all_pages if self.last_indexed.get(p["id"]) != p["version"]["when"]])}

Інкрементальне оновлення виконується раз на годину, що гарантує актуальність без переіндексації всього корпусу.

Процес роботи

Що входить в роботу

• Документ архітектури рішення з обґрунтуванням вибору моделі та векторної бази.
• Пайплайн індексації з parent-child chanking та інкрементальним оновленням.
• Інтеграція з Confluence, Notion або Google Docs через API.
• Slack-бот або веб-інтерфейс для запитів з цитуванням джерел.
• Адміністративна панель для моніторингу запитів та метрик (RAGAS).
• Документація адміністратора та навчання команди (2 години).
• Підтримка протягом 1 місяця після запуску.

Типові помилки

• Ігнорування ієрархії документів. Parent-child chunking обов'язковий — інакше втрачаєте до 18% relevance.
• Рідке оновлення індексу. Налаштуйте інкрементальний пайплайн раз на годину.
• Вибір слабкої моделі ембедінґів. Для російсько-англійської документації multilingual-e5-large (1024d) або BGE-M3 — мінімум. BGE-small втрачає 15% recall.
• Відсутність реранкера. Без cross-encoder точність топ-3 падає на 10–20%.
• Нехтування безпекою. Налаштуйте фільтрацію prompt injection та аудит запитів.

Кейс: IT-компанія, 200 осіб, 1200 статей. Середній час відповіді — 1,4 сек, accuracy 82%. Кількість повторних питань у #general впала на 43% за перший місяць. Проєкт окупився за 4 місяці — середня економія $12 000 на рік.

Зв'яжіться з нами для оцінки вашого проєкту. Отримайте консультацію з впровадження RAG-пошуку на ваших даних. Замовте демо-доступ до готової системи на тестовому наборі документів.

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.