Впровадження HyDE для RAG: генерація гіпотетичних документів під ключ

Стандартний RAG часто не знаходить потрібні документи через асиметрію embedding-простору: запит кодується у вектор з області питань, далекої від області документів. Рішення — HyDE (Hypothetical Document Embeddings). LLM генерує гіпотетичну відповідь на запит, її embedding природно лягає поруч з реальними документами. Наша команда впроваджує HyDE під ключ: від вибору моделі до інтеграції в продакшн. За 5+ років роботи ми реалізували 30+ проєктів з покращення RAG, гарантуючи приріст MRR на 10–15%.

Чому стандартний retrieval відстає

У звичайному RAG embedding запиту потрапляє в область, відмінну від документів. Embedding гіпотетичної відповіді — навпаки, поруч з документами. Різниця відчутна: на юридичному датасеті (8500 доків) стандартний пошук дає MRR@5=0.68, HyDE — 0.77 (+13% точності).

Звичайний RAG:
Запит → Embedding(запит) → пошук → документи

HyDE:
Запит → LLM → Гіпотетична_відповідь → Embedding(відповіді) → пошук → документи

Як HyDE працює на практиці?

Розберемо на прикладі. У юридичній сфері запит «Який строк позовної давності по трудових спорах про невиплату зарплати?» зазвичай шукає документи, де згадано строки. LLM генерує гіпотетичний документ на зразок «Згідно з Трудовим кодексом, строк позовної давності по спорах про невиплату зарплати становить 3 місяці…». Embedding цього документа майже збігається з реальними статтями кодексу. Підсумок: retrieval знаходить не просто документи зі словом «строк», а саме ті, де строк описаний — точність зростає.

Чому HyDE дає приріст точності на 10–15%?

Причина в колізії embedding-просторів. Запити формулюються як питання — їх вектори концентруються в області запитальних конструкцій. Документи ж написані ствердно, їх embedding лежить в іншій області. HyDE генерує текст у стилі документа, і його embedding автоматично потрапляє в кластер реальних документів. На датасеті з 8500 юридичних документів ми заміряли приріст MRR@5 з 0.68 до 0.77 — це 13%.

Як HyDE генерує гіпотетичні документи: приклад з LangChain

Реалізація через LangChain мінімальна. Код нижче показує генерацію гіпотетичного документа та пошук у Qdrant.

from langchain.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_core.runnables import RunnableParallel, RunnablePassthrough
from langchain_community.vectorstores import Qdrant

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.3)
embeddings = OpenAIEmbeddings(model="text-embedding-3-large")
vectorstore = Qdrant.from_existing_collection(
    embeddings=embeddings,
    collection_name="legal_docs",
    url="http://localhost:6333",
)

HYDE_PROMPT = ChatPromptTemplate.from_template("""Напиши короткий уривок документа (150-250 слів),
який повністю відповідає на наступне питання.
Пиши як фрагмент офіційного документа, без вступних фраз на кшталт "Згідно з документом".

Питання: {question}

Гіпотетичний документ:""")

def hyde_retriever(question: str, top_k: int = 5) -> list:
    hypothetical_doc = llm.invoke(
        HYDE_PROMPT.format_messages(question=question)
    ).content
    docs = vectorstore.similarity_search(hypothetical_doc, k=top_k)
    return docs

question = "Який строк позовної давності по трудових спорах про невиплату зарплати?"
docs = hyde_retriever(question)

Коли варто використовувати HyDE?

HyDE особливо ефективний для великих корпусів (10 000+ документів) у специфічних доменах: юриспруденція, медицина, технічна документація. Ви платите 300–500 мс латентності за додатковий виклик LLM. Для коротких запитів (номери, дати) краще комбінувати зі звичайним retrieval і пропускати через reranker.

Порівняння методів на практиці

На датасеті з 8500 юридичних документів і 300 тестових питань ми отримали:

HyDE дає приріст точності, але latency зростає. Для production ми рекомендуємо кешування та паралельний виклик LLM.

Що входить в нашу роботу з впровадження HyDE

• Аналіз корпусу та запитів: оцінка застосовності HyDE, збір метрик baseline.
• Інтеграція HyDE: налаштування пайплайну генерації гіпотетичних документів під вашу LLM (GPT-4o, Claude, LLaMA).
• Підбір промпту: 2–3 дні експериментів з temperature, стилем і довжиною відповіді.
• Тестування на ваших даних: заміри MRR, NDCG, latency p99.
• Оптимізація: впровадження кешування, паралельного виклику LLM, комбінації з multi-query.
• Документація та навчання: передача коду, інструкцій і демо-сесія для команди.
• Підтримка: 2 тижні пост-продакшн моніторингу та коригувань.

Строки реалізації

Вартість розраховується індивідуально — залежить від об'єму корпусу, кількості LLM-запитів та необхідних доробок. Зв'яжіться з нами: опишіть задачу — ми запропонуємо оптимальне рішення. Якщо хочете додатково підвищити точність, замовте аудит вашого корпусу — він покаже, наскільки HyDE ефективний саме для ваших даних.

Докладніше про реалізацію HyDE читайте в документації LangChain.

Отримайте консультацію: розкажіть про ваші завдання — ми підберемо підходящий варіант впровадження HyDE.

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.