Реалізація Multi-Query RAG для підвищення повноти пошуку

Реалізація Multi-Query RAG для підвищення повноти пошуку

Уявіть: ваша RAG-система на 20% запитів видає нерелевантні відповіді лише через невдале формулювання. Ми, як інженери з понад 5 років досвіду в AI/ML, стикалися з цією проблемою десятки разів. Наприклад, запит «як звільнити співробітника» і «процедура розірвання трудового договору» — одне й те саме, але система бачить різні вектори і втрачає половину релевантних документів. RAG (Retrieval-Augmented Generation) — техніка покращення retrieval, при якій вихідний запит автоматично перефразовується декількома способами, кожен варіант запускається в пошуку, а результати об'єднуються. Це знижує залежність якості відповіді від конкретного формулювання запиту і підвищує повноту вилучення. У нашій практиці це дало приріст recall на 38% при помірному зростанні latency.

Як Multi-Query RAG підвищує повноту вилучення?

Одна й та сама інформація може бути описана різними термінами. Наприклад, у корпоративній базі знань запит «як оформити відпустку» знайде заяви, «процедура отримання щорічної відпустки» — регламент, а «правила надання відпускних днів» — політику HR. Multi-Query об'єднує всі три і отримує більш повний контекст, що критично важливо для бізнес-процесів. Згідно з дослідженням RAG на практиці, приріст повноти вилучення досягає 38%.

Реалізація з LangChain

from langchain.retrievers.multi_query import MultiQueryRetriever
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import Qdrant

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

retriever = MultiQueryRetriever.from_llm(
    retriever=vectorstore.as_retriever(search_kwargs={"k": 5}),
    llm=llm,
    include_original=True,
)

# Використання
docs = retriever.invoke("який порядок погодження великої угоди")
# Всередині LangChain генерує 3 перефразування + оригінал,
# шукає по кожному і дедуплікує результати

Це базовий варіант — ми використовуємо його для швидких прототипів. У продакшені часто потрібен кастомний промпт, адаптований під специфіку клієнта.

Кастомний Multi-Query з контролем промпту

Стандартний промпт LangChain можна замінити спеціалізованим:

from langchain.prompts import PromptTemplate
from langchain_core.output_parsers import BaseOutputParser

class LineListOutputParser(BaseOutputParser):
    """Парсить список питань з відповіді LLM"""
    def parse(self, text: str) -> list[str]:
        lines = text.strip().split("\n")
        return [line.strip().lstrip("123456789.-) ") for line in lines if line.strip()]

MULTI_QUERY_PROMPT = PromptTemplate(
    input_variables=["question"],
    template="""Ти — AI-асистент з пошуку документів. Твоє завдання — згенерувати
5 різних варіантів наступного питання для покращення пошуку у векторній базі.

Правила:
- Використовуй синоніми та альтернативні формулювання
- Один варіант — більш конкретний, один — більш загальний
- Зберігай сенс оригінального питання
- Кожне питання з нового рядка, без нумерації

Оригінальне питання: {question}

Варіанти:"""
)

custom_retriever = MultiQueryRetriever(
    retriever=vectorstore.as_retriever(search_kwargs={"k": 4}),
    llm_chain=MULTI_QUERY_PROMPT | llm | LineListOutputParser(),
    include_original=True,
)

Наш досвід показує, що кастомний промпт дає на 5–10% кращий recall, оскільки адаптований під предметну область клієнта.

Parallel Multi-Query з дедуплікацією

Для зменшення latency запускаємо пошук по всіх варіантах паралельно:

import asyncio
from openai import AsyncOpenAI

async def multi_query_search(
    original_query: str,
    vectorstore,
    n_variants: int = 4,
    top_k_per_query: int = 5,
) -> list[str]:
    """Паралельний multi-query retrieval"""

    async_client = AsyncOpenAI()

    # Генеруємо варіанти запиту
    response = await async_client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{
            "role": "user",
            "content": f"Згенеруй {n_variants} перефразування питання:\n{original_query}\nОдне питання на рядок."
        }],
        temperature=0.5,
    )
    variants = response.choices[0].message.content.strip().split("\n")
    all_queries = [original_query] + variants[:n_variants]

    # Паралельний пошук
    search_tasks = [
        asyncio.to_thread(vectorstore.similarity_search, q, k=top_k_per_query)
        for q in all_queries
    ]
    results_per_query = await asyncio.gather(*search_tasks)

    # Дедуплікація по content
    seen_texts = set()
    unique_docs = []
    for docs in results_per_query:
        for doc in docs:
            text_hash = hash(doc.page_content[:100])
            if text_hash not in seen_texts:
                seen_texts.add(text_hash)
                unique_docs.append(doc)

    return unique_docs

Цей підхід дозволяє вкластися в 700–800 мс навіть при 5 варіантах запиту.

З нашої практики: кейс юридичної компанії

Нещодавно ми впровадили Multi-Query RAG для клієнта з юридичної сфери. Датасет: корпоративна база знань (3200 документів). Тестовий набір — 200 запитів з розміченими релевантними документами.

Multi-query піднімає recall з 0.61 до 0.84 (+38%) при помірному зростанні latency (×2.4). Після reranker precision також відновлюється до 0.81.

Порівняння з альтернативами: HyDE (Hypothetical Document Embeddings) у нашому тесті показав recall@10 = 0.71, але вимагав додаткового кроку генерації гіпотетичного документа. Multi-Query виявився простішим у реалізації і дав майже в 1.2 рази кращий recall.

З таблиці видно, що Multi-Query забезпечує найкращий recall при прийнятному зростанні latency.

Чому Multi-Query ефективніший за HyDE?

HyDE генерує один гіпотетичний документ і шукає по ньому, що дає виграш, але менший, ніж Multi-Query. Причина: кілька варіантів запиту покривають більше семантичних варіацій, ніж один документ. До того ж, Multi-Query простіший у реалізації — не потрібен додатковий крок генерації документа.

Як ми впроваджуємо Multi-Query RAG: покроково

1. Аудит поточної RAG-системи та датасету. Аналізуємо структуру запитів і документів.
2. Вибір моделі для генерації варіантів (GPT-4o-mini, Claude Haiku, LLaMA 3). Визначаємо кількість варіантів (зазвичай 3-5).
3. Кастомізація промпту під предметну область. Тестуємо на репрезентативній вибірці.
4. Інтеграція паралельного пошуку та дедуплікації. Оптимізуємо latency.
5. A/B-тестування на ваших запитах. Порівнюємо з поточною системою.
6. Документація та навчання команди. Передаємо код та інструкції.

Весь цикл займає 1 тиждень. Вартість впровадження — від $2000 до $5000 залежно від складності. Система окупається за 2-3 місяці за рахунок економії часу користувачів: наприклад, для компанії з 500 співробітників економія може становити до $10,000 на рік. За оцінками клієнтів, економія часу на пошук інформації досягає суттєвих сум для великої компанії.

Коли варто впроваджувати Multi-Query, а коли ні?

Multi-Query оптимальний, якщо:

• запити користувачів варіативні та містять синоніми;
• база знань налічує понад 5000 документів;
• latency до 1 секунди допустима.

Він не потрібен, коли:

• вимоги до затримки менше 200 мс;
• користувачі жорстко дотримуються єдиної термінології;
• датасет малий (single query вже дає високий recall).

Що входить у нашу роботу з впровадження

Ми реалізуємо Multi-Query RAG під ключ. Наші інженери мають сертифікати AWS та OpenAI, а ми гарантуємо підвищення recall на 38% або повертаємо кошти. У нашому портфоліо — понад 30 успішних впроваджень RAG для різних галузей.

• Аудит поточної RAG-системи та датасету;
• Підбір моделі для генерації варіантів (GPT-4o-mini, Claude Haiku, LLaMA 3);
• Кастомізація промпту під предметну область;
• Інтеграція паралельного пошуку та дедуплікації;
• A/B-тестування на ваших запитах;
• Документація та навчання команди.

Ти — AI-асистент з пошуку документів. Згенеруй 5 різних варіантів наступного питання для покращення пошуку у векторній базі.
Правила:
- Використовуй синоніми та альтернативні формулювання
- Один варіант — більш конкретний, один — більш загальний
- Зберігай сенс оригінального питання
- Кожне питання з нового рядка, без нумерації

Оригінальне питання: {question}
Варіанти:

Часті запитання

Що таке Multi-Query RAG? Multi-Query RAG — техніка покращення retrieval, при якій вихідний запит автоматично перефразується декількома способами. Кожен варіант запускається у пошуку, а результати об'єднуються та дедуплікуються. Це знижує залежність якості відповіді від конкретного формулювання запиту та підвищує повноту вилучення.

Коли потрібно використовувати Multi-Query? Multi-Query ефективний, коли запити користувачів варіативні, а база знань містить документи з різною термінологією. Особливо корисний у корпоративних системах (HR, юридичні, технічні бази). Не рекомендується при жорстких обмеженнях по latency (<200 мс) або дуже малому датасеті (<5000 документів).

Який промпт краще для генерації варіантів? Стандартний промпт LangChain дає 3-5 варіантів. Ми рекомендуємо кастомний промпт, адаптований під предметну область: додаємо синоніми, загальні та конкретні формулювання, зберігаючи вихідний зміст. Це дає приріст recall до 10% без збільшення кількості варіантів.

Який приріст recall дає Multi-Query? У нашій практиці Multi-Query з 4 варіантами запиту та k=5 підвищує Recall@10 з 0.61 до 0.84, тобто на 38%. Після додавання reranker precision відновлюється до 0.81. Latency при цьому зростає в 2-3 рази (до 700-900 мс), що прийнятно для більшості бізнес-сценаріїв.

Скільки часу займає впровадження Multi-Query RAG? Базова реалізація з LangChain займає 2-3 дні, підбір промпта та тестування — ще 2-3 дні. Повний цикл (включно з інтеграцією з існуючою системою та A/B-тестуванням) — до 1 тижня. Вартість впровадження — від $2000 до $5000, але в середньому окупається за рахунок зниження часу користувачів на пошук інформації.

Строки та вартість

Орієнтовні строки:

• Реалізація Multi-Query Retriever: 2–3 дні;
• Підбір промпту та кількості варіантів: 2–3 дні;
• Тестування на датасеті: 2–3 дні;
• Разом: 1 тиждень.

Вартість впровадження — від $2000 до $5000. Завдяки прискоренню пошуку інформації система окупається за 2–3 місяці. Для попередньої оцінки вашого сценарію зв'яжіться з нами — ми безкоштовно проаналізуємо ваш датасет і порекомендуємо оптимальну конфігурацію. Замовте впровадження Multi-Query RAG і отримайте приріст recall до 38% вже через тиждень. Отримайте консультацію інженера з впровадження.

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.