Інтеграція LlamaIndex для RAG-систем

Оператори страхової компанії витрачали до 12 хвилин на пошук відповіді серед 15 000 сторінок полісів та інструкцій. Ми впровадили LlamaIndex — час скоротився до 1,5 хвилин, точність зросла до 91%, а помилки через застарілі документи впали з 8% до 0,4%. За 5 років ми реалізували 20+ проєктів з інтеграції RAG на LlamaIndex у фінансах, страхуванні, рітейлі. Гарантуємо точність не нижче 90% на ваших даних. Середня економія на масштабі — значна, а окупність проєкту швидка.

Які проблеми вирішує LlamaIndex?

Розрізнені джерела даних: PDF, Word, HTML, бази даних. LlamaIndex підключає 150+ форматів через нативні завантажувачі — не потрібно писати адаптери. Низька швидкість пошуку: звичайний векторний пошук не розуміє складових запитів. SubQuestionQueryEngine розбиває питання на частини та обробляє паралельно. Відсутність контексту: LlamaIndex додає метадані (дата, автор, тип документа) та фільтрує за ними, виключаючи застарілі або нерелевантні джерела.

Як LlamaIndex пришвидшує пошук у неструктурованих даних?

LlamaIndex використовує багаторівневу індексацію. Документи розбиваються на чанки (зазвичай 512 токенів з перекриттям 50). Для кожного чанка генерується ембедінг (OpenAI text-embedding-3-small, 1536 вимірів). Вектори зберігаються в Qdrant або іншому сховищі. При запиті LLM обирає стратегію: прямий пошук, SubQuestionQueryEngine або RouterQueryEngine — залежно від складності. Вбудований реранкер підвищує релевантність топ-10 результатів.

Базовий RAG з LlamaIndex

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

# Налаштування глобальних параметрів
Settings.llm = OpenAI(model="gpt-4o", temperature=0)
Settings.embed_model = OpenAIEmbedding(model="text-embedding-3-small")
Settings.node_parser = SentenceSplitter(chunk_size=512, chunk_overlap=50)

# Завантаження документів
documents = SimpleDirectoryReader("./data", recursive=True).load_data()

# Створення індексу
index = VectorStoreIndex.from_documents(documents)

# Запит
query_engine = index.as_query_engine(similarity_top_k=5)
response = query_engine.query("Який термін гарантії на обладнання?")
print(response)
# Доступ до джерел
for node in response.source_nodes:
    print(f"Score: {node.score:.3f}, Source: {node.metadata.get('file_name')}")

Інтеграція з векторними сховищами

from llama_index.vector_stores.qdrant import QdrantVectorStore
from llama_index.core import StorageContext
import qdrant_client

# Підключення до Qdrant
client = qdrant_client.QdrantClient(url="http://localhost:6333")
vector_store = QdrantVectorStore(client=client, collection_name="docs")
storage_context = StorageContext.from_defaults(vector_store=vector_store)

# Індексування в Qdrant
index = VectorStoreIndex.from_documents(
    documents,
    storage_context=storage_context,
    show_progress=True,
)

# Повторне завантаження існуючого індексу
index = VectorStoreIndex.from_vector_store(vector_store)

Чому варто обрати LlamaIndex для RAG?

LlamaIndex виграє у LangChain у задачах, де потрібна глибока робота з документами. Вбудовані SubQuestionQueryEngine та RouterQueryEngine не потребують кастомних промптів — вони готові до складних запитів одразу. IngestionPipeline кешує обробку, пришвидшуючи повторну індексацію на 60%. Крім того, LlamaIndex підтримує Retrieval-Augmented Fine-Tuning (документація LlamaIndex): донавчання ембедінгів під домен підвищує recall на 15–20%. У наших проєктах середній час відповіді на складний запит із SubQuestionQueryEngine на 40% швидше, ніж із голим LangChain.

SubQuestionQueryEngine: розбивка складних питань

from llama_index.core.query_engine import SubQuestionQueryEngine
from llama_index.core.tools import QueryEngineTool

# Створюємо інструменти з різних джерел
financial_tool = QueryEngineTool.from_defaults(
    query_engine=financial_index.as_query_engine(),
    name="financial_data",
    description="Фінансові показники компанії за останні три роки",
)

contracts_tool = QueryEngineTool.from_defaults(
    query_engine=contracts_index.as_query_engine(),
    name="contracts",
    description="Договори з постачальниками та клієнтами",
)

# SubQuestion двигун автоматично розбиває запит на підзапити
engine = SubQuestionQueryEngine.from_defaults(
    query_engine_tools=[financial_tool, contracts_tool],
    use_async=True,
)

response = engine.query(
    "Порівняй виручку за останній квартал із бюджетом та перевір, чи є прострочені платежі за контрактами"
)
# Агент створить 2 підзапити та об'єднає результати

RouterQueryEngine: маршрутизація за індексами

from llama_index.core.query_engine.router_query_engine import RouterQueryEngine
from llama_index.core.selectors import LLMSingleSelector

router_engine = RouterQueryEngine(
    selector=LLMSingleSelector.from_defaults(),
    query_engine_tools=[
        QueryEngineTool.from_defaults(
            query_engine=summary_index.as_query_engine(response_mode="tree_summarize"),
            description="Для узагальнюючих питань про документ в цілому",
        ),
        QueryEngineTool.from_defaults(
            query_engine=vector_index.as_query_engine(),
            description="Для пошуку конкретних фактів та деталей",
        ),
    ],
)

IngestionPipeline: просунутий препроцесинг

from llama_index.core.ingestion import IngestionPipeline, IngestionCache
from llama_index.core.node_parser import SentenceSplitter, SemanticSplitterNodeParser
from llama_index.core.extractors import TitleExtractor, QuestionsAnsweredExtractor
from llama_index.core.vector_stores import SimpleVectorStore

pipeline = IngestionPipeline(
    transformations=[
        SentenceSplitter(chunk_size=512, chunk_overlap=64),
        TitleExtractor(nodes=3),  # Додає заголовок документа в metadata кожного чанка
        QuestionsAnsweredExtractor(questions=5),  # Генерує гіпотетичні питання для HyDE
        OpenAIEmbedding(model="text-embedding-3-small"),
    ],
    vector_store=vector_store,
    cache=IngestionCache(),  # Кешує оброблені документи
)

nodes = await pipeline.arun(documents=documents, show_progress=True)

Практичний кейс: корпоративна база знань страхової компанії

Вихідна ситуація: 15 000 сторінок документів (поліси, правила страхування, регуляторні інструкції, внутрішні регламенти). Оператори витрачали 8–12 хвилин на пошук відповіді на питання клієнта.

Архітектура на LlamaIndex (наш проєкт):

• Джерела: 4 типи документів в окремих індексах у Qdrant
• RouterQueryEngine: маршрутизація за типом питання
• SubQuestionQueryEngine: для питань, що охоплюють кілька типів
• IngestionPipeline: автоматичне переіндексування при оновленні документів
• Metadata-фільтрація: за видом страхування, датою документа, регіональним регулятором

Результати:

• Середній час відповіді оператора: 10 хв → 1,5 хв
• Точність відповідей (оцінка експертів): 91%
• Помилкові посилання на застарілі редакції полісів: ~8% → 0,4%
• Охоплення документів: 73% (раніше оператори не знали про існування багатьох документів)

LlamaIndex vs LangChain для RAG

Типові сценарії впровадження LlamaIndex

Що входить у роботу

1. Аудит джерел даних — визначаємо типи документів, обсяг, частоту оновлень.
2. Проектування індексу — обираємо чанкер, модель ембедінгів, векторне сховище.
3. Налаштування Retrieval pipeline — конфігуруємо RouterQueryEngine, SubQuestionQueryEngine, реранжування.
4. Інтеграція з інфраструктурою — підключаємо API, CI/CD, дашборд моніторингу (latency p99, recall).
5. Навчання команди — документація та воркшоп з роботи з системою.

Терміни орієнтовно

• Базовий RAG на LlamaIndex: від 3 до 5 днів
• Мульти-джерельний RAG з RouterQueryEngine: від 1 до 2 тижнів
• IngestionPipeline з автоматичним оновленням: від 1 тижня
• Файнтюнінг ембедінгів під домен: від 2 до 3 тижнів

Точні терміни розраховуємо після аудиту даних. Оцінимо проект за 1 день — напишіть нам. Замовте аудит даних і отримайте комерційну пропозицію.

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.