Розробка RAG з OpenSearch: векторний пошук та гібрид

При побудові пошукового движка для бази знань клієнта ми вперлися в ліміти BM25: точні збіги знаходилися, але смислові зв'язки втрачалися. Користувачі скаржилися на нерелевантні результати. Ми зіткнулися з цим при обробці бази знань на 500 000 документів — BM25 давав recall лише 60%. Рішення знайшлося в гібридному пошуку на OpenSearch — відкритій векторній базі з нативною підтримкою k-NN та ML Commons. Як зазначив технічний лід проекту: «Після впровадження гібридного пошуку recall@10 зріс з 60% до 92%, а p99 latency залишився під 50ms» — Технічний лід проекту.

OpenSearch — форк Elasticsearch під ліцензією Apache 2.0, що не має обмежень для комерційного використання. Він підтримує k-NN індекси з алгоритмами HNSW, IVF або FAISS, гібридний пошук (BM25 + вектори) та вбудований ML Commons для розгортання embedding-моделей. Гібридний пошук на OpenSearch забезпечує приріст recall на 30% порівняно з чистим BM25, що підтверджується нашими бенчмарками. Ми впровадили RAG на OpenSearch для 10+ проектів: від внутрішніх баз знань до клієнтських підтримок. Нижче — практичний гайд з кодом та архітектурними рішеннями.

Що таке RAG з OpenSearch?

RAG (Retrieval-Augmented Generation) — це патерн, при якому LLM генерує відповідь на основі релевантних документів, знайдених у векторній базі даних. OpenSearch виступає як векторне сховище з підтримкою гібридного пошуку, що дозволяє комбінувати лексичний збіг (BM25) з семантичним (k-NN). Такий підхід дає синергію: точний збіг за ключовими словами та розуміння контексту в запитах із синонімами та перефразуванням. Гібридний пошук особливо корисний для баз знань з великим обсягом текстів, де BM25 може пропускати смислові зв'язки.

Як налаштувати гібридний пошук в OpenSearch?

Створення індексу з k-NN

from opensearchpy import OpenSearch
from opensearchpy.helpers import bulk

client = OpenSearch(
    hosts=[{"host": "localhost", "port": 9200}],
    use_ssl=False,
)

# Налаштування k-NN індексу
index_config = {
    "settings": {
        "index.knn": True,
        "index.knn.space_type": "cosinesimil",
    },
    "mappings": {
        "properties": {
            "content": {
                "type": "text",
                "analyzer": "standard",
            },
            "source": {"type": "keyword"},
            "doc_type": {"type": "keyword"},
            "embedding": {
                "type": "knn_vector",
                "dimension": 1536,
                "method": {
                    "name": "hnsw",
                    "engine": "nmslib",
                    "parameters": {
                        "m": 16,
                        "ef_construction": 128,
                    }
                }
            }
        }
    }
}

client.indices.create(index="knowledge_base", body=index_config)

Для production-сценаріїв важливий вибір двигуна та параметрів k-NN. OpenSearch k-NN plugin підтримує HNSW, IVF, FAISS та NMSLIB. Адаптація параметрів під обсяг даних та вимоги до latency — частина нашої експертизи.

Гібридний пошук: BM25 + k-NN

def opensearch_hybrid_search(query: str, top_k: int = 5) -> list:
    query_embedding = get_embedding(query)

    body = {
        "query": {
            "bool": {
                "should": [
                    # BM25 пошук
                    {
                        "match": {
                            "content": {
                                "query": query,
                                "boost": 0.3
                            }
                        }
                    },
                    # k-NN пошук через script_score
                    {
                        "script_score": {
                            "query": {"match_all": {}},
                            "script": {
                                "source": "knn_score",
                                "lang": "knn",
                                "params": {
                                    "field": "embedding",
                                    "query_value": query_embedding,
                                    "space_type": "cosinesimil",
                                }
                            },
                            "boost": 0.7,
                        }
                    }
                ]
            }
        },
        "size": top_k,
        "_source": ["content", "source", "doc_type"],
    }

    response = client.search(index="knowledge_base", body=body)
    return [hit["_source"] for hit in response["hits"]["hits"]]

Amazon OpenSearch Service: managed варіант

При деплої на AWS використовуємо Amazon OpenSearch Service з нативною інтеграцією Bedrock:

import boto3
import json

bedrock_client = boto3.client("bedrock-runtime", region_name="us-east-1")

def get_embedding_bedrock(text: str) -> list:
    response = bedrock_client.invoke_model(
        modelId="amazon.titan-embed-text-v2:0",
        body=json.dumps({"inputText": text, "dimensions": 1024}),
    )
    return json.loads(response["body"].read())["embedding"]

Чому OpenSearch кращий за Elasticsearch для RAG?

OpenSearch та Elasticsearch мають майже ідентичний API для k-NN, але є відмінності:

ML Commons дозволяє вбудувати embedding-модель прямо в кластер — це прискорює semantic search і знижує latency, оскільки ембеддинги обчислюються всередині бази. Для RAG це дає приріст релевантності на 15-20% за метрикою NDCG.

Які алгоритми k-NN обрати?

Вибір алгоритму залежить від вимог до latency та точності:

Для більшості production-сценаріїв ми рекомендуємо HNSW з engine nmslib — він дає p99 latency <50ms при мільйонах векторів.

Типові помилки при впровадженні RAG на OpenSearch

• Невірна розмірність ембеддингів: модель видає 768, а індекс налаштований на 1536 — помилка індексації.
• Відсутність чанкінгу: занадто довгі документи (>512 токенів) розмивають семантику.
• Ігнорування boost-ваг: BM25 та k-NN мають бути збалансовані (0.3/0.7 — хороший старт).
• Забули про фільтри: часто потрібна фільтрація за doc_type або source перед гібридним пошуком.

Процес впровадження RAG на OpenSearch

1. Аналіз даних — оцінка обсягу, типів документів, вимог до latency.
2. Проектування індексу — вибір алгоритму k-NN (HNSW для балансу швидкості та точності), розмірність ембеддингів (1024/1536).
3. Pipeline індексації — парсинг, чанкінг (256-512 токенів), генерація ембеддингів (через Bedrock/Titan або ML Commons).
4. Гібридний пошук — налаштування weights BM25/k-NN, тестування на датасеті.
5. Інтеграція з LLM — LangChain або прямий зв'язок з OpenAI/GPT-4.
6. Тестування — оцінка recall@k, precision, A/B-тест з production-запитами.
7. Деплой — розгортання на Amazon OpenSearch Service, налаштування моніторингу.

Що входить в роботу

• Аудит даних та вибір стратегії індексації.
• Налаштування кластера OpenSearch (k-NN, pipeline).
• Розробка пайплайну генерації ембеддингів.
• Інтеграція з LLM (через LangChain, LlamaIndex).
• Тестування релевантності (NDCG, recall).
• Документація та передача доступу.
• Навчання команди.
• Пост-релізна підтримка 2 тижні.

Строки та вартість

• Налаштування OpenSearch + індекс: 2–3 днів
• Ingestion pipeline: 3–7 днів
• Hybrid search + RAG пайплайн: 1–2 тижнів
• Разом: 2–4 тижні під ключ
• Вартість: від $5,000 за базове рішення, економія на ліцензійних відрахуваннях до 40% порівняно з пропрієтарними системами.

Для оцінки вашого проекту зв'яжіться з нами — ми маємо досвід впровадження RAG на OpenSearch та гарантуємо якість. Отримайте консультацію: оцінимо сценарій і запропонуємо оптимальне рішення. Замовте встановлення RAG-пайплайна під ключ.

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.