Реалізація Multi-Index RAG: об'єднання кількох джерел

Уявіть: корпоративна пошукова система має працювати по п'яти різних сховищах — Confluence (5200 сторінок), SharePoint (3800 документів), JIRA, GitHub та внутрішня CRM-документація. Монолітний векторний індекс з єдиним розміром чанків неминуче втрачає точність: для коротких FAQ потрібні маленькі чанки, для довгих регламентів — великі. У нашій практиці ми часто стикаємося з такими запитами, і рішення — Multi-Index RAG (визначення див. у Wikipedia). Ця архітектура дозволяє об'єднати кілька окремих індексів (векторних сховищ) в єдиний потік пошуку, зберігаючи індивідуальні налаштування для кожного типу даних та домену. Multi-Index RAG — це реалізація корпоративного пошуку AI, яка поєднує RAG з кількох джерел та забезпечує ізоляцію даних.

Коли потрібен Multi-Index RAG?

Різні типи даних: структуровані FAQ (короткі відповіді) та довгі регламенти потребують різних розмірів чанків та стратегій retrieval. Різні домени: юридична документація, технічна документація, продуктові описи — семантичні простори слабо перетинаються, окремі індекси дають більш точний retrieval. Різні джерела: Confluence, SharePoint, Notion, GitHub — кожне потребує свого парсера та має специфічні метадані. Ізоляція даних за безпекою: дані різних відділів зберігаються в різних індексах з контролем доступу.

Чому Multi-Index RAG ефективніший за монолітний індекс?

Основна ідея — створити окремі індекси для кожного типу/джерела, налаштувати їх параметри (розмір чанка, модель ембендінгів) індивідуально, а потім використовувати LLM-роутер для вибору релевантних індексів під конкретний запит. Паралельний асинхронний пошук по вибраних індексах та подальший reranking об'єднаних результатів дають високу точність. В одному з проектів впровадження Multi-Index RAG підвищило Context Recall з 0.71 до 0.88 — приріст на 24%. Multi-Index RAG на 24% точніший за монолітний індекс. Економія часу співробітників на пошук інформації склала до 2 годин на тиждень, що еквівалентно €500 на місяць для невеликої команди. Вартість впровадження від €15,000.

Архітектура Multi-Index RAG

from typing import Optional
from langchain_community.vectorstores import Qdrant
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain.schema import Document
import asyncio

class MultiIndexRAG:
    def __init__(self, embeddings, llm):
        self.embeddings = embeddings
        self.llm = llm
        self.indexes: dict[str, Qdrant] = {}
        self.router_llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

    def add_index(self, name: str, collection: str, description: str):
        """Реєструємо індекс з описом для роутера"""
        self.indexes[name] = {
            "retriever": Qdrant.from_existing_collection(
                embeddings=self.embeddings,
                collection_name=collection,
                url="http://localhost:6333",
            ).as_retriever(search_kwargs={"k": 5}),
            "description": description,
        }

    def route_query(self, query: str) -> list[str]:
        """LLM-роутер визначає релевантні індекси"""
        index_descriptions = "\n".join([
            f"- {name}: {info['description']}"
            for name, info in self.indexes.items()
        ])

        response = self.router_llm.invoke(f"""
Визнач, в яких із наступних індексів потрібно шукати для відповіді на запит.
Поверни JSON-список імен індексів.

Доступні індекси:
{index_descriptions}

Запит: {query}

Відповідь (JSON список):""")

        import json
        try:
            return json.loads(response.content)
        except:
            return list(self.indexes.keys())  # Fallback: всі індекси

    async def _search_index(self, index_name: str, query: str) -> tuple[str, list]:
        """Асинхронний пошук в одному індексі"""
        retriever = self.indexes[index_name]["retriever"]
        docs = await asyncio.to_thread(retriever.invoke, query)
        return index_name, docs

    async def retrieve(self, query: str) -> dict[str, list]:
        """Паралельний пошук по релевантних індексах"""
        relevant_indexes = self.route_query(query)

        tasks = [
            self._search_index(idx, query)
            for idx in relevant_indexes
            if idx in self.indexes
        ]

        results = await asyncio.gather(*tasks)
        return dict(results)

    def build_context(self, search_results: dict[str, list]) -> str:
        """Збираємо контекст з кількох індексів"""
        context_parts = []
        for index_name, docs in search_results.items():
            if docs:
                context_parts.append(f"## Джерело: {index_name}\n")
                for doc in docs:
                    context_parts.append(f"- {doc.page_content}\n")

        return "\n".join(context_parts)

Налаштування індексів для корпоративної бази знань

rag = MultiIndexRAG(
    embeddings=OpenAIEmbeddings(model="text-embedding-3-small"),
    llm=ChatOpenAI(model="gpt-4o", temperature=0),
)

rag.add_index(
    name="legal",
    collection="legal_contracts",
    description="Договори, угоди, юридичні висновки",
)
rag.add_index(
    name="hr",
    collection="hr_policies",
    description="Політики HR: відпустки, відрядження, найм, звільнення",
)
rag.add_index(
    name="it",
    collection="it_procedures",
    description="IT-процедури: доступи, обладнання, інформаційна безпека",
)
rag.add_index(
    name="finance",
    collection="finance_regulations",
    description="Фінансові регламенти: бюджет, закупівлі, авансові звіти",
)
rag.add_index(
    name="faq",
    collection="general_faq",
    description="Загальні часто задавані питання співробітників",
)

Reranking об'єднаних результатів

Після збору результатів з кількох індексів важливо виконати ранжування результатів та переранжувати:

from flashrank import Ranker, RerankRequest

ranker = Ranker(model_name="ms-marco-MiniLM-L-12-v2")

def rerank_multi_index_results(
    query: str,
    search_results: dict[str, list[Document]],
    top_n: int = 6,
) -> list[Document]:
    """Об'єднує та переранжує результати з різних індексів"""

    # Збираємо всі документи
    all_docs = []
    for docs in search_results.values():
        all_docs.extend(docs)

    if not all_docs:
        return []

    # Reranking
    passages = [{"id": i, "text": doc.page_content} for i, doc in enumerate(all_docs)]
    rerank_req = RerankRequest(query=query, passages=passages)
    ranked = ranker.rerank(rerank_req)

    return [all_docs[r["id"]] for r in ranked[:top_n]]

Практичний кейс: корпоративний асистент з 5 джерел

В одному з проектів ми впровадили Multi-Index RAG для великої компанії з п'ятьма джерелами: Confluence (5200 сторінок), SharePoint (3800 документів), JIRA (експорт задач), GitHub (wiki, README), внутрішня CRM-документація. Інтеграція Confluence, SharePoint, JIRA, GitHub та CRM — стандартний сценарій.

Проблема монолітного індексу: різні типи контенту мають різні оптимальні розміри чанків. README з GitHub оптимально індексувати по-функціонально (блоки коду + опис), Confluence-сторінки — за розділами, CRM-документацію — за відповідями.

Конфігурація Multi-Index:

• 5 окремих колекцій в Qdrant
• LLM-роутер на GPT-4o-mini (~15 мс overhead)
• Паралельний пошук (async) скорочує latency з 5×T до 1.2×T

Failure cases: 9% запитів потрапляють у неправильний набір індексів — переважно крос-доменні питання. Рішення: при низькому router confidence запускати пошук по всіх індексах з threshold відсікання за score.

Федеративний пошук з access control

def retrieve_with_permissions(
    query: str,
    user_id: str,
    permission_service,
) -> dict[str, list]:
    """Пошук тільки по дозволених для користувача індексах"""
    allowed_indexes = permission_service.get_allowed_indexes(user_id)
    relevant_indexes = [
        idx for idx in route_query(query)
        if idx in allowed_indexes
    ]
    return {idx: search(idx, query) for idx in relevant_indexes}

Що входить в роботу

• 5+ років досвіду в NLP та AI
• Аудит джерел даних та контенту
• Проектування Multi-Index архітектури під ваші сценарії
• Розробка ingestion пайплайнів для кожного джерела
• Налаштування LLM-роутера та reranking
• Інтеграція з існуючою інфраструктурою (Qdrant, Pinecone, pgvector)
• Документація архітектури та конфігурацій
• Навчання команди замовника
• Пост-релізна підтримка протягом 3 місяців

Процес роботи

Ми виконуємо проекти під ключ: від аудиту до деплою.

1. Аналітика: вивчаємо типи даних, їх обсяги, вимоги до безпеки.
2. Проектування: вибираємо стэк (векторні БД, моделі ембендінгів, LLM-роутер).
3. Розробка: пишемо парсери, налаштовуємо чанкінг, індексацію, роутинг.
4. Тестування: оцінюємо метрики Recall, Precision, latency.
5. Деплой: розгортаємо на інфраструктурі замовника (on-prem або хмара).

Строки орієнтовно

• Проектування Multi-Index архітектури: 1 тиждень
• Розробка ingestion пайплайнів (5 джерел): 3–4 тижні
• LLM-роутер та інтеграція: 1 тиждень
• Reranking та оцінка: 1 тиждень
• Разом: 6–8 тижнів

Напишіть нам для консультації та оцінки вашого проекту. Оцінимо проект безкоштовно. Замовте впровадження Multi-Index RAG — отримайте точний пошук по всіх ваших джерелах. Наш досвід в RAG-архітектурах та 20+ реалізованих проектів гарантують високу якість.

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.