Оцінка якості RAG-системи (RAGAS, precision, recall, faithfulness)

Ми — команда AI-інженерів з 5+ річним досвідом у NLP та 20+ впровадженнями RAG. Без систематичної RAGAS оцінки якості RAG-система залишається чорним ящиком: ви не знаєте, скільки галюцинацій генерує модель та як багато релевантного контексту втрачається. RAGAS (RAG Assessment) — найпопулярніший фреймворк для автоматичної оцінки, який використовує LLM як суддю та не потребує ручного розмічання. На одному з проектів ми скоротили ручну перевірку відповідей на 80%, заощадивши команді понад 40% часу та суттєво зменшивши бюджет на оцінку. За 3–6 тижнів налаштовуємо повний pipeline оцінки, інтегруємо його в CI/CD та доводимо метрики до 0.9+. Зв'яжіться з нами для аудиту вашої RAG-системи.

Що таке RAGAS і навіщо він потрібен?

RAGAS — це opensource-фреймворк для оцінки якості RAG-систем. Він автоматично генерує тестові набори на основі ваших документів та оцінює відповіді LLM за п'ятьма ключовими метриками. Без RAGAS ви оцінюєте якість вручну або не оцінюєте взагалі, що веде до неконтрольованих галюцинацій та втрати контексту. RAGAS робить оцінку об'єктивною та відтворюваною. Детальніше про фреймворк — на GitHub.

Метрики RAGAS

Як інтерпретувати метрики RAGAS?

Context Precision нижче 0.7 сигналізує: система отримує багато нерелевантного контексту. Рішення — покращити reranking, додати фільтрацію за метаданими, зменшити top_k.

Context Recall нижче 0.7: система не знаходить потрібні документи. Рішення — покращити chunking, спробувати hybrid search, донавчити embedding модель.

Faithfulness нижче 0.8 — критичний сигнал: модель галюцинує, вигадує інформацію, не підкріплену контекстом. Рішення — покращити system prompt, додати інструкцію «відповідай лише на основі контексту», знизити temperature. Це найважливіша метрика для юридичних та медичних RAG-систем.

Answer Relevancy нижче 0.8: відповіді не по суті. Рішення — покращити prompt, додати few-shot приклади бажаного формату.

Як впровадити RAGAS за 4 кроки

1. Підготуйте документи та створіть тестовий набір (мінімум 200 питань). RAGAS автоматично згенерує питання різної складності.
2. Запустіть baseline оцінку за всіма метриками. Це займе 1–2 дні.
3. Проаналізуйте результати та виконайте ітерації оптимізації (покращення retrieval, промпта, chunking).
4. Інтегруйте continuous evaluation в CI/CD — тепер кожен коміт буде перевірятися на падіння якості.

Процес налаштування займає 2–3 дні, генерація тестів — 1–2 дні, повний цикл з покращеннями — від 3 до 6 тижнів.

Встановлення та базове використання RAGAS

from ragas import evaluate
from ragas.metrics import (
    context_precision,
    context_recall,
    faithfulness,
    answer_relevancy,
    answer_correctness,
)
from datasets import Dataset

# Підготовка датасету для оцінки
eval_data = {
    "question": [
        "Який термін дії договору?",
        "Хто несе відповідальність за затримку поставки?",
    ],
    "answer": [
        "Договір діє до 31 грудня.",
        "Постачальник несе відповідальність за затримку понад 5 робочих днів.",
    ],
    "contexts": [
        ["2.1. Цей Договір набуває чинності з моменту підписання та діє до 31 грудня..."],
        ["4.3. У разі затримки поставки більш ніж на 5 робочих днів Постачальник..."],
    ],
    "ground_truths": [
        "Договір діє до 31 грудня.",
        "Відповідальність несе Постачальник при затримці більше 5 робочих днів.",
    ],
}

dataset = Dataset.from_dict(eval_data)

# Оцінка
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from ragas.llms import LangchainLLMWrapper
from ragas.embeddings import LangchainEmbeddingsWrapper

evaluator_llm = LangchainLLMWrapper(ChatOpenAI(model="gpt-4o"))
evaluator_embeddings = LangchainEmbeddingsWrapper(OpenAIEmbeddings())

results = evaluate(
    dataset,
    metrics=[context_precision, context_recall, faithfulness, answer_relevancy],
    llm=evaluator_llm,
    embeddings=evaluator_embeddings,
)

print(results)
# {'context_precision': 0.88, 'context_recall': 0.82, 'faithfulness': 0.94, 'answer_relevancy': 0.91}

Автоматизований тестовий набір: Testset Generation

RAGAS вміє генерувати тестовий набір з ваших документів:

from ragas.testset.generator import TestsetGenerator
from ragas.testset.evolutions import simple, reasoning, multi_context

generator = TestsetGenerator.with_openai()

# Генерація тестів різної складності
testset = generator.generate_with_langchain_docs(
    documents=your_documents,
    test_size=100,
    distributions={
        simple: 0.5,          # Прості питання по одному документу
        reasoning: 0.3,       # Що потребують міркувань
        multi_context: 0.2,   # Що потребують кількох документів
    }
)

testset.to_pandas().to_csv("evaluation_testset.csv", index=False)

Практичний кейс: ітерації над RAG-системою юридичного чат-бота

З нашої практики: замовник — юридична компанія з корпусом з 10 000 договорів. Вихідний RAG на GPT-4o-mini та ChromaDB показував низькі метрики. Ми провели три ітерації оптимізації.

Вихідний стан (v1):

Ітерація 1: додали hybrid search (sparse + dense). Context Recall виріс з 0.68 до 0.81 (+19 %).

Ітерація 2: додали Contextual Compression та reranker. Context Precision покращилася з 0.61 до 0.84 (+38 %), Faithfulness — з 0.74 до 0.91 (+23 %).

Ітерація 3: доопрацювали system prompt з явною забороною галюцинацій. Faithfulness досягла 0.95, Answer Relevancy — 0.88.

Фінальний стан (v4):

RAGAS дозволив автоматизувати оцінку, що в 10 разів швидше за ручне рев'ю асесорами. Економія бюджету на оцінку склала десятки тисяч доларів на кожному проекті.

Continuous Evaluation в CI/CD

import pytest

@pytest.fixture(scope="session")
def rag_evaluation_results():
    """Запускає RAGAS оцінку на тестовому наборі"""
    return evaluate(evaluation_dataset, metrics=[faithfulness, context_recall])

def test_faithfulness_above_threshold(rag_evaluation_results):
    assert rag_evaluation_results["faithfulness"] >= 0.85, \
        f"Faithfulness {rag_evaluation_results['faithfulness']:.2f} below threshold 0.85"

def test_context_recall_above_threshold(rag_evaluation_results):
    assert rag_evaluation_results["context_recall"] >= 0.75

Що входить в нашу роботу з оцінки RAG

• Налаштування RAGAS pipeline під вашу інфраструктуру.
• Генерація репрезентативного тестового набору (200+ питань).
• Baseline оцінка за 5 метриками.
• 2–3 ітерації по покращенню з конкретними рекомендаціями.
• Інтеграція continuous evaluation в ваш CI/CD.
• Звіт з результатами та планом подальшої оптимізації.

Отримайте консультацію щодо оцінки вашої RAG-системи — ми оцінимо проект та запропонуємо план робіт. Замовте аудит метрик прямо зараз.

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.