Реалізація Hybrid Search (векторний + повнотекстовий пошук) для RAG

При реалізації RAG-систем часто виникає дилема: як одночасно знайти документ за змістом і за точним номером? Hybrid Search — комбінація векторного (dense) і повнотекстового (sparse/BM25) пошуку з подальшим злиттям результатів — вирішує це завдання. На практиці hybrid search стабільно перевершує будь-який з методів окремо на більшості корпоративних датасетів. Наприклад, на одному з проєктів hybrid search (RRF) покращив MRR@5 на 12% відносно pure dense search при збереженні високого recall за точними термінами. Ми реалізуємо такі рішення під ключ, з гарантією якості retrieval на ваших даних. Замовте консультацію з впровадження hybrid search та отримайте оцінку вашого проєкту.

Чому не можна обійтися тільки dense search

Dense embedding усереднює семантику — це і сила, і слабкість. Запит «договір №ДА-2023-451» матиме високу косинусну схожість з договорами взагалі, але не з конкретним документом за номером. BM25 знайде точний збіг рядка «ДА-2023-451» миттєво.

• Dense search погано працює для: точних номерів (договір, артикул, серійний номер), абревіатур і специфічних акронімів, рідкісних технічних термінів, запитів на пошук точної цитати.
• BM25 погано працює для: перефразованих запитів (синоніми), семантично схожих концепцій з різними словами, міжмовних запитів, неточних описів («щось про оплату після поставки»).

Чому hybrid search кращий, ніж dense або BM25 окремо?

Поєднання двох підходів дає синергію: dense покриває семантику, BM25 — точні збіги. Нижче на реальному кейсі видно, що hybrid RRF (без реранкера) перевершує dense+reranker за MRR@5 (0.83 vs 0.80) та NDCG@5 (0.81 vs 0.77). При цьому hybrid+reranker дає вже 0.89/0.87. Іншими словами, реалізація гібридного пошуку (hybrid search implementation) дозволяє досягти балансу між семантичною близькістю та точним збігом ключових слів. За даними нашого A/B-тестування на 400 запитах, hybrid RRF перевершує dense+reranker в 1.04 рази за MRR@5. Для багатьох задач це скасовує необхідність у дорогому реранкері.

Алгоритми злиття результатів

Reciprocal Rank Fusion (RRF) — найбільш стійкий метод. RRF — метод злиття, запропонований Кормаком та ін. (2009) — детальніше на Wikipedia.

from collections import defaultdict

def reciprocal_rank_fusion(
    dense_results: list[tuple],   # [(doc_id, score), ...]
    sparse_results: list[tuple],
    k: int = 60  # RRF константа (зазвичай 60)
) -> list[tuple]:
    """
    RRF score = sum(1 / (k + rank_i)) за всіма списками
    k=60 стандартне значення (Cormack et al.)
    """
    scores = defaultdict(float)

    for rank, (doc_id, _) in enumerate(dense_results, 1):
        scores[doc_id] += 1 / (k + rank)

    for rank, (doc_id, _) in enumerate(sparse_results, 1):
        scores[doc_id] += 1 / (k + rank)

    return sorted(scores.items(), key=lambda x: -x[1])

Relative Score Fusion (RSF) — нормалізоване об'єднання:

def relative_score_fusion(
    dense_results: list[tuple],
    sparse_results: list[tuple],
    alpha: float = 0.5  # Вага dense
) -> list[tuple]:
    """Нормалізує оцінки в [0,1] і зважує"""
    scores = defaultdict(float)

    # Нормалізація dense
    if dense_results:
        max_d = max(s for _, s in dense_results)
        min_d = min(s for _, s in dense_results)
        for doc_id, score in dense_results:
            norm = (score - min_d) / (max_d - min_d + 1e-8)
            scores[doc_id] += alpha * norm

    # Нормалізація sparse
    if sparse_results:
        max_s = max(s for _, s in sparse_results)
        min_s = min(s for _, s in sparse_results)
        for doc_id, score in sparse_results:
            norm = (score - min_s) / (max_s - min_s + 1e-8)
            scores[doc_id] += (1 - alpha) * norm

    return sorted(scores.items(), key=lambda x: -x[1])

Порівняння алгоритмів злиття

SPLADE: просунутий sparse encoder

SPLADE (Sparse Lexical and Expansion Model) генерує sparse вектори з лексичним розширенням — модель вчиться «розширювати» запит синонімами та пов'язаними термінами. За даними бенчмарку BEIR, SPLADE перевершує BM25 в 1.2–1.5 рази за NDCG@10.

from fastembed import SparseTextEmbedding

sparse_model = SparseTextEmbedding(
    model_name="prithivida/Splade_PP_en_v1"
)

def encode_sparse(text: str) -> dict:
    """Повертає sparse вектор {token_id: weight}"""
    output = list(sparse_model.embed([text]))[0]
    return {
        "indices": output.indices.tolist(),
        "values": output.values.tolist(),
    }

SPLADE перевершує BM25 на більшості BEIR бенчмарків. Для російської мови рекомендуємо модель naver/efficient-splade-VI-BT-large-query або багатомовні варіанти.

Реалізація з Qdrant (практичний приклад)

from qdrant_client import QdrantClient
from qdrant_client.models import (
    SparseVector, Prefetch, FusionQuery, Fusion,
    NamedVector, NamedSparseVector
)
from fastembed import TextEmbedding, SparseTextEmbedding

dense_model = TextEmbedding("BAAI/bge-m3")  # Багатомовний dense
sparse_model = SparseTextEmbedding("prithivida/Splade_PP_en_v1")
client = QdrantClient(url="http://localhost:6333")

def hybrid_search(query: str, top_k: int = 5) -> list[dict]:
    # Dense embedding
    dense_vec = list(dense_model.embed([query]))[0].tolist()

    # Sparse embedding
    sparse_output = list(sparse_model.embed([query]))[0]
    sparse_vec = SparseVector(
        indices=sparse_output.indices.tolist(),
        values=sparse_output.values.tolist()
    )

    results = client.query_points(
        collection_name="hybrid_docs",
        prefetch=[
            Prefetch(query=dense_vec, using="dense", limit=50),
            Prefetch(query=sparse_vec, using="sparse", limit=50),
        ],
        query=FusionQuery(fusion=Fusion.RRF),
        limit=top_k,
        with_payload=True,
    )

    return [
        {"text": r.payload["text"], "source": r.payload["source"], "score": r.score}
        for r in results.points
    ]

Практичний кейс: вплив alpha на якість retrieval

З нашої практики: на проєкті з 12 000 документів корпоративної бази знань (договори, регламенти, FAQ) ми протестували 400 запитів різних типів. Результати:

Hybrid RRF без reranker вже б'є dense+reranker. Комбінація hybrid+reranker — найкращий результат. Для порівняння, SPLADE як sparse encoder дає приріст MRR@5 приблизно на 0.03–0.05 відносно BM25 при тому ж методі злиття.

Як налаштувати RRF-злиття на вашому датасеті?

Оптимальне k для RRF: k=60 — емпірично стійке значення. Занадто мале k (10–20) дає велику вагу топ-позиціям. Занадто велике (100+) нівелює різницю між позиціями. На реальних даних перевірте k∈{20, 40, 60, 80} на валідаційному наборі. Для RSF підбирайте alpha від 0.3 до 0.7 з кроком 0.1.

Покроковий процес впровадження hybrid search

1. Аудит поточної схеми retrieval: аналіз використовуваних ембендінгів, стека векторної БД та метрик якості.
2. Вибір та налаштування sparse encoder: встановлення SPLADE або іншого sparse encoder під вашу мову та домен.
3. Інтеграція подвійного пошуку: налаштування індексації dense та sparse векторів у Qdrant/Pinecone/Weaviate.
4. Реалізація злиття: впровадження RRF або RSF з початковими параметрами (k=60, alpha=0.5).
5. Тестування та оптимізація: прогін ваших запитів, підбір параметрів за метриками MRR/NDCG.
6. Документація та передача: опис процесу, навчання команди, передача коду та конфігів.

Що ви отримаєте в результаті

• Інтеграційний код hybrid search у вашу RAG-систему.
• Конфігураційні файли для Qdrant/Pinecone.
• Документація з налаштування та експлуатації.
• Навчання команди (2-годинний вебінар).
• Гарантія якості retrieval (фіксація метрик до/після).
• Пост-проєктна підтримка 1 місяць.

Зв'яжіться з нами для безкоштовної оцінки вашого проєкту. Отримайте консультацію з впровадження hybrid search та підвищте якість retrieval вашої RAG-системи.

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.