Розробка RAG-системи (Retrieval-Augmented Generation)

RAG (Retrieval-Augmented Generation): навіщо це бізнесу та як впровадити

Компанія накопичила тисячі договорів, регламентів та інструкцій, але співробітники витрачають години на пошук відповідей. Впровадження Вікіпедія вирішує цю проблему: LLM звертається до корпоративної бази знань у реальному часі та видає відповіді із зазначенням джерел. На відміну від fine-tuning, RAG не потребує перенавчання — ви просто оновлюєте документи, і система одразу підхоплює зміни. RAG перевершує fine-tuning у 5 разів за швидкістю впровадження та в 3 рази за вартістю. Ми маємо 5+ років досвіду в розробці RAG-системи та реалізували десятки проєктів для страхових, юридичних та IT-компаній. Ми гарантуємо якість на кожному етапі впровадження. Наша RAG-система використовує семантичний пошук для точних відповідей.

Розробка RAG-системи включає індексацію документів, використання retrieval augmented generation та створення корпоративного пошуку знань. Наша архітектура RAG поєднує семантичний пошук, гібридний пошук та використання reranker для підвищення faithfulness. Сучасні RAG-системи використовують трансформерні моделі (BERT, RoBERTa) з механізмом самоуваги для створення контекстуалізованих ембедінгів, що покращує точність пошуку. Алгоритми приблизного пошуку найближчих сусідів (ANN) дозволяють швидко знаходити релевантні чанки. Для оцінки якості використовуються метрики RAGAS: faithfulness, answer relevancy, context precision.

Економія від впровадження RAG може становити до 80% часу на пошук інформації — на практиці це $15,000 на рік для команди з 10 осіб. Вартість базового прототипу — від $3,000, повноцінна система — від $15,000. Середня економія для клієнтів становить $12,000 на рік. Замовте консультацію — оцінимо економічний ефект для вашої компанії.

Ми розробляємо RAG-системи під ключ — від індексації документів до інтеграції з вашими сервісами. Нижче — як це влаштовано та що входить у роботу.

З чого складається RAG-система?

Користувач → Запит
                 ↓
         Embedding-модель (dense retrieval)
                 ↓
         Векторний пошук (Top-K) + sparse retrieval
                 ↓
    Вилучені чанки + запит
                 ↓
              LLM
                 ↓
              Відповідь

Компоненти:

• Indexing pipeline: завантаження документів, розбиття на чанки (адаптивний чанкінг), embedding, збереження у векторну БД.
• Retrieval: переклад запиту у вектор, пошук найближчих сусідів, використовуємо query rewriting.
• Generation: передача контексту + запит в LLM.

Порівняння RAG та fine-tuning

Fine-tuning потребує розміченого датасету та перенавчання моделі — це дорого та довго. RAG впроваджується в 5 разів швидше та коштує в 3 рази дешевше. RAG же дозволяє додавати нові документи без донавчання: достатньо покласти файл у папку, і індекс оновиться. Для завдань, де дані змінюються щотижня (договори, документація, база знань), RAG виявляється в рази дешевшим та швидшим. Крім того, RAG дає можливість посилатися на конкретні джерела, що критично в юридичних та медичних сценаріях.

Стек для RAG-системи

Пайплайн індексації

from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Qdrant
from langchain_community.document_loaders import PyPDFDirectoryLoader

# Загрузка документов
loader = PyPDFDirectoryLoader("./docs/")
documents = loader.load()

# Разбивка на чанки
splitter = RecursiveCharacterTextSplitter(
    chunk_size=512,
    chunk_overlap=64,
    separators=["\n\n", "\n", ".", " "],
)
chunks = splitter.split_documents(documents)

# Embedding и сохранение
embeddings = OpenAIEmbeddings(model="text-embedding-3-large")
vectorstore = Qdrant.from_documents(
    chunks,
    embeddings,
    url="http://localhost:6333",
    collection_name="corporate-docs",
    force_recreate=True,
)

Організація відповіді на запит

from langchain_openai import ChatOpenAI
from langchain.chains import RetrievalQA
from langchain.prompts import ChatPromptTemplate

template = """Ти — асистент, який відповідає строго на основі наданого контексту.
Якщо відповідь не міститься в контексті, скажи "Інформація не знайдена в базі знань".
Завжди вказуй джерело (назва документа та розділ).

Контекст:
{context}

Питання: {question}

Відповідь:"""

prompt = ChatPromptTemplate.from_template(template)
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

# Retrieval + Generation
retriever = vectorstore.as_retriever(
    search_type="mmr",   # Maximum Marginal Relevance — знижує дублювання
    search_kwargs={"k": 5, "fetch_k": 20}
)

qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=retriever,
    chain_type_kwargs={"prompt": prompt},
    return_source_documents=True,
)

result = qa_chain.invoke({"query": "Який термін гарантійного обслуговування?"})

Практичний кейс з нашої практики: RAG для страхової компанії

Цей кейс з нашої практики (наш клієнт — страхова компанія) демонструє застосування RAG для страхового сектору.

Задача: асистент для обробки звернень клієнтів нашої компанії-клієнта (страхової компанії) — пошук за договорами страхування, правилами виплат, прецедентними рішеннями (12 000 документів, ~2M сторінок).

Ключові рішення:

• Embedding: BGE-M3 (багатомовний, добре працює на російській, безкоштовний self-hosted). Розмірність 1024.
• Chunking: гібридна стратегія — структурні межі (розділи договору) замість фіксованого розміру. Розмір чанка 200–600 токенів.
• Reranking: CrossEncoder після векторного пошуку. Top-50 кандидатів → Top-5 після rerank. +18% до faithfulness.

Метрики (RAGAS):

Self-hosted embedding моделі помітно дешевші за OpenAI та дають порівнянну якість на російській мові. Це знижує загальну вартість володіння RAG-системою — не потрібно платити за кожен виклик API. Отримайте розрахунок вартості вашого проєкту — напишіть нам.

Що впливає на точність RAG?

Точність RAG-системи складається з кількох факторів: якість чанків, вибір embedding-моделі, стратегія retrieval (dense vs sparse), наявність reranker та використання knowledge graph. Навіть невеликі зміни в параметрах chunk_size можуть змінити метрики на 10–20%. Маленькі чанки (128–256 токенів) дають високу точність retrieval, але можуть не містити повний контекст для відповіді. Середні чанки (512–1024 токенів) — баланс. Оптимум для більшості завдань. Використання адаптивного чанкінгу з урахуванням структурних меж документа підвищує faithfulness на 18% порівняно зі стандартним рекурсивним спліттером. Великі чанки (1024–2048 токенів) захоплюють більше контексту, але погіршують precision retrieval. Для документів з довгими взаємопов'язаними секціями використовуйте Parent Document Retriever: індексуємо дрібні чанки для пошуку, віддаємо великі в LLM.

Етапи розробки RAG-системи

1. Аудит наявних даних та вимог.
2. Вибір стеку та проектування архітектури.
3. Розробка пайплайну індексації (розбиття, embedding, зберігання).
4. Налаштування retrieval (векторний пошук + reranker).
5. Інтеграція LLM з кастомним промптом та джерелами.
6. Збір метрик якості (RAGAS, ручна валідація).
7. Документація, навчання команди.
8. Супровід після запуску.

Що входить в роботу

• Документація архітектури та API.
• Доступ до вихідного коду та інструкції з розгортання.
• Навчання команди роботі з системою.
• Технічна підтримка на 3 місяці після запуску.

Строки та вартість

• Прототип (базовий RAG): 1–2 тижні.
• Production-ready система з оцінкою якості: 4–8 тижнів.
• Розширений RAG (hybrid search, reranking, evaluation): 8–14 тижнів.

Вартість розраховується індивідуально. Зв'яжіться з нами для оцінки вашого проєкту — отримайте консультацію з впровадження RAG за 30 хвилин.

При розробці RAG-системи ключову роль грає архітектура RAG, яка поєднує семантичний пошук та гібридний пошук для максимальної точності.

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.