Архітектура RAG-пайплайну: стратегії, компоненти, оптимізація

Зауважимо: коли RAG-пайплайн видає нерелевантні результати, проблема найчастіше в архітектурі retrieval'у. Базовий RAG «працює» за день, але production-ready RAG система з надійним retrieval, моніторингом і керованою вартістю потребує ретельного проєктування. При проектуванні архітектури RAG ключовим є вибір компонентів. Ми спроєктували та впровадили понад 30 RAG-систем для різних індустрій — від юридичних документів до техпідтримки. Наш досвід каже: 70% успіху — в архітектурі pipeline'у. Наприклад, один клієнт з FinTech використовував dense-only пошук і отримував recall 0.65. Після впровадження гібридного пошуку з reranker'ом recall виріс до 0.92 — це в 1.4 рази краще, а latency p99 залишився під 200 мс — це суттєво скоротило витрати на перезапити до LLM. Техніка retrieval augmented generation (RAG) активно використовується в індустрії. Retrieval-Augmented Generation — це не просто модний термін, а зріла техніка, яка потребує грамотної інженерної реалізації. Ми маємо 5 років досвіду в NLP та 30+ виконаних проєктів.

Компоненти сучасного RAG-пайплайну

┌─────────────────────────────────────────────────────┐
│                 INGESTION PIPELINE                   │
│  Sources → Loaders → Parsers → Chunkers → Embedder  │
│           → Metadata Extractor → Vector Store        │
└─────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────┐
│                 RETRIEVAL PIPELINE                   │
│  Query → Query Transformer → Multi-Index Search     │
│        → Reranker → Context Assembler               │
└─────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────┐
│                GENERATION PIPELINE                   │
│  Context + Query → Prompt Builder → LLM             │
│                  → Response Validator → User         │
└─────────────────────────────────────────────────────┘

Як обрати стратегію чанкінгу?

Чанкінг визначає якість retrieval. Фіксований розмір 256-512 токенів простий, але втрачає контекст. Структурний чанкінг за заголовками розділів дає кращі результати для документів з чіткою ієрархією. Вибір векторної бази даних (Qdrant, Weaviate, ChromaDB) залежить від навантаження. Порівняння:

Ми використовуємо семантичний чанкінг на основі меж речень з перекриттям 10%. Це дає баланс якості та швидкості. Для кожного документа потрібні метадані (джерело, дата, тип).

Чому гібридний пошук (sparse + dense) необхідний?

Dense embedding чудово знаходить семантичні дублі, але погано справляється з рідкісними термінами або абревіатурами. Sparse (BM25) — навпаки. Згідно з документацією Qdrant, гібридний пошук з Reciprocal Rank Fusion (RRF) підвищує метрики релевантності на 20-30%. Гібридний пошук комбінує обидва підходи. У порівнянні з dense-only, гібридний пошук в 1.3 рази кращий за Recall@10.

from qdrant_client import QdrantClient
from qdrant_client.models import SparseVector

def hybrid_search(query, top_k=10):
    dense_vector = embedder.embed_query(query)
    sparse_vector = sparse_encoder.encode(query)
    results = client.query_points(
        collection_name="docs",
        prefetch=[
            {"query": dense_vector, "using": "dense", "limit": 30},
            {"query": SparseVector(indices=sparse_vector.indices, values=sparse_vector.values),
             "using": "sparse", "limit": 30},
        ],
        query=rrf_fusion,  # Reciprocal Rank Fusion
        limit=top_k,
    )
    return results

У наших проєктах гібридний пошук підвищує Recall@10 на 25-30% — в 1.25-1.3 раза. Додатково використовуємо reranker на базі cross-encoder (наприклад, ms-marco-MiniLM-L-12-v2), який перевпорядковує top-30 результатів до top-5. Це покращує точність в 1.5-2 рази. Така комбінація знижує витрати на LLM-інференс на 30-50%, що при обсязі 1M запитів на місяць дає економію $1500-3000. За нашими оцінками, для середнього проєкту з 500k запитів на місяць економія складає $2,000.

Оцінка якості retrieval

Для production потрібно закладати evaluation framework з набором метрик: Recall@k, MRR, NDCG. Ми використовуємо кастомний датасет з 500+ запитів з розміткою релевантності. Навантажувальне тестування перевіряє latency p99 — зазвичай target < 500 мс. Моніторинг у проді фіксує дрифт даних та деградацію метрик.

Порівняння embedding-моделей

Для production ми рекомендуємо open-source embedding-моделі (E5, BGE) з self-hosting — це знижує операційні витрати в кілька разів при порівнянній якості.

Процес роботи

1. Аналітика — вивчення джерел, типів запитів, очікуваного навантаження (RPS).
2. Проєктування — вибір стеку (векторна БД, embedding-модель, чанкінг).
3. Реалізація — побудова ingestion pipeline, retrieval pipeline, integration з LLM.
4. Тестування — evaluation на кастомному датасеті, A/B-тестування різних конфігурацій.
5. Деплой та моніторинг — розгортання за допомогою Docker/Kubernetes, налаштування оповіщень по latency та recall.

Що входить у роботу

• Документація архітектури (діаграми, специфікація компонентів)
• Вибір стеку та обґрунтування (векторна БД, embedding, LLM)
• Прототип пайплайну з гібридним пошуком та reranker'ом
• Evaluation framework з набором метрик
• Інтеграція з існуючою інфраструктурою
• Навчання команди замовника та код-рев'ю
• Підтримка на етапі впровадження (до 1 місяця)

Терміни орієнтовно

• Проєктування: 1 тиждень
• Ingestion pipeline: 1–2 тижні
• Retrieval pipeline з reranker'ом: 2–3 тижні
• Evaluation та оптимізація: 1–2 тижні
• Production hardening: 1–2 тижні
• Разом: 6–10 тижнів залежно від складності

Вартість робіт — від $8,000 залежно від складності. Зв'яжіться з нами, отримайте консультацію з архітектури RAG для вашого проєкту. Гарантуємо, що результат відповідатиме best practices MLOps та вашим SLA. Гібридний пошук знижує витрати на LLM-інференс на 30-50%, що особливо помітно при високих навантаженнях. Замовте проєктування RAG-пайплайну та отримайте working prototype вже через 3 тижні.

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.