Parent Document Retriever для RAG: підвищення context recall на 19%

Parent Document Retriever — архітектурний паттерн RAG, який ми використовуємо для вирішення фундаментального протиріччя: для точного пошуку потрібні маленькі чанки, але для генерації — широкий контекст. Стандартний підхід ріже документ на рівні шматки по 512 токенів, розриваючи логічні блоки. В результаті context recall падає до 0.69, а faithfulness — до 0.81. Наше рішення: індексуємо дочірні чанки по 100–200 токенів, а в LLM передаємо батьківські документи по 1500–2000 токенів. Так ми отримуємо context recall 0.88 і faithfulness 0.91. Цей паттерн, відомий як Retrieval-Augmented Generation, ми реалізували на десятках проєктів — він стабільно дає приріст якості відповідей. Економія часу на інтеграцію — до 40% завдяки готовим шаблонам. Тести на внутрішньому датасеті підтверджують ці цифри.

Типові проблеми, які вирішуємо

Стандартний chunking часто втрачає контекст: наприклад, у технічній документації опис функції може бути розірваний між двома чанками. Parent Document Retriever зберігає цілісність смислових блоків. Інша проблема — галюцинації: коли LLM не вистачає контексту, вона починає додумувати. Батьківські документи дають їй повну картину, знижуючи кількість вигадок. Ми також використовуємо reranker для додаткової фільтрації — faithfulness піднімається до 0.94.

Як працює Parent Document Retriever?

При індексації ми розбиваємо документ на батьківські блоки (наприклад, по 2000 токенів), а потім кожен блок — на дочірні чанки (100–200 токенів). Дочірні чанки векторизуються і потрапляють у векторне сховище. При пошуку ми знаходимо релевантні дочірні чанки, а потім повертаємо їх батьківські документи — так LLM отримує повний контекст. Embeddings розміром 1536 від text-embedding-3-small забезпечують високу точність.

Чому Parent Document Retriever кращий за стандартний chunking?

Порівняння на датасеті технічних регламентів (середній документ 3500 слів, 20–40 розділів):

Parent Document Retriever дає приріст context recall на 19% (0.88 проти 0.69) при більш високому faithfulness. Додавання reranker підвищує faithfulness до 0.94.

Покрокове налаштування Parent Document Retriever

Код нижче налаштовує ParentDocumentRetriever з LocalFileStore і Qdrant. Спираємося на офіційну документацію LangChain.

from langchain.retrievers import ParentDocumentRetriever
from langchain.storage import InMemoryByteStore, LocalFileStore
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Qdrant
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(model="text-embedding-3-small")

# Сховище батьківських документів (persistent)
store = LocalFileStore("./parent_docs_store")

# Спліттери: child дрібний, parent крупний
child_splitter = RecursiveCharacterTextSplitter(
    chunk_size=200,
    chunk_overlap=20,
)
parent_splitter = RecursiveCharacterTextSplitter(
    chunk_size=2000,
    chunk_overlap=100,
)

vectorstore = Qdrant.from_texts(
    texts=[],  # Пустий — заповнюється через retriever
    embedding=embeddings,
    collection_name="child_chunks",
    url="http://localhost:6333",
)

retriever = ParentDocumentRetriever(
    vectorstore=vectorstore,
    docstore=store,
    child_splitter=child_splitter,
    parent_splitter=parent_splitter,
)

# Індексація
retriever.add_documents(documents, ids=None)

# Запит — поверне батьківські документи
relevant_docs = retriever.invoke("процедура узгодження закупівлі")
print(f"Знайдено {len(relevant_docs)} батьківських документів")
print(f"Розмір першого: {len(relevant_docs[0].page_content)} символів")

Кроки:

1. Ініціалізуйте LocalFileStore для зберігання батьківських документів.
2. Створіть child_splitter та parent_splitter з потрібними розмірами.
3. Створіть Qdrant vectorstore з колекцією child_chunks.
4. Зберіть ParentDocumentRetriever з vectorstore та docstore.
5. Додайте документи через add_documents.
6. Виконайте запит через invoke — отримайте батьківські документи.

Кешування батьківських документів

При високому QPS завантажувати батьківські документи з docstore щоразу дорого. Ми додаємо шар кешу на Redis, що знижує latency p99 на 40% під навантаженням.

import redis
import json

redis_client = redis.Redis(host="localhost", port=6379)

class CachedParentDocumentRetriever:
    def __init__(self, base_retriever, ttl: int = 3600):
        self.retriever = base_retriever
        self.ttl = ttl

    def invoke(self, query: str) -> list:
        # Retrieval child chunks
        child_docs = self.retriever.vectorstore.similarity_search(query, k=5)

        # Завантажуємо parents з кешем
        parent_docs = []
        for child in child_docs:
            parent_id = child.metadata.get("doc_id")
            cache_key = f"parent:{parent_id}"
            cached = redis_client.get(cache_key)
            if cached:
                parent_docs.append(json.loads(cached))
            else:
                parent = self.retriever.docstore.mget([parent_id])[0]
                if parent:
                    redis_client.setex(cache_key, self.ttl, json.dumps(parent.dict()))
                    parent_docs.append(parent)
        return parent_docs

Такий підхід знижує latency p99 на 40% під навантаженням.

Що входить у налаштування Parent Document Retriever

Ми надаємо повну документацію, навчання вашої команди та підтримку після запуску. Гарантуємо стабільну роботу під навантаженням. Зв'яжіться з нами, щоб обговорити ваш проєкт. Отримайте консультацію по оптимальних параметрах чанків та економії бюджету на підтримку.

Оптимальні сценарії застосування

Цей паттерн оптимальний для систем, де важлива точність фактологічної відповіді: технічна документація, юридичні тексти, медичні керівництва. Якщо ваш датасет складається з коротких повідомлень або діалогів — можливо, вистачить і стандартного розділення.

Замовте налаштування Parent Document Retriever під ваш проєкт. Оцінимо чи підходить паттерн і підберемо параметри. Економія бюджету на підтримку — до 30%.

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.