Розробка RAG з Pinecone: пайплайни, гібридний пошук, кейси

Розробка RAG з векторною базою даних Pinecone

Зазначимо: коли ваша корпоративна база знань розростається до сотень тисяч документів, звичайний повнотекстовий пошук перестає справлятися: релевантні документи тонуть у шумі, а синонімічні терміни не враховуються. RAG (Retrieval-Augmented Generation) з векторною базою даних — єдиний спосіб зберегти швидкий доступ до потрібної інформації. Ми розробляємо RAG-пайплайни з Pinecone під ключ: від вибору моделі ембеддингів до моніторингу в продакшені. Оцінка проекту — протягом дня: надішліть опис даних та сценаріїв використання. Отримайте консультацію за вашим сценарієм — ми оцінимо дані за 1 день.

Чому Pinecone Serverless?

Serverless-режим позбавляє від управління кластером: ви не резервуєте pod'и, не налаштовуєте автоскейлінг. Платите тільки за операції запису, читання та зберігання — ідеально для проектів зі змінним навантаженням. Pinecone підтримує гібридний пошук (dense + sparse через BM25), що критично для доменів з високою точністю термінів (юриспруденція, медицина). Ми використовуємо BM25Encoder для побудови sparse-векторів без додаткової інфраструктури. Типова економія на інфраструктурі становить від 20% до 40% порівняно з self-hosted рішеннями.

Як ми ініціалізуємо індекс

from pinecone import Pinecone, ServerlessSpec
from openai import OpenAI

pc = Pinecone(api_key="...")

# Створення serverless індексу
pc.create_index(
    name="corporate-knowledge-base",
    dimension=3072,        # text-embedding-3-large
    metric="cosine",
    spec=ServerlessSpec(
        cloud="aws",
        region="us-east-1"
    )
)

index = pc.Index("corporate-knowledge-base")

Індексація документів з метаданими

from langchain_openai import OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter
import hashlib

embeddings_model = OpenAIEmbeddings(model="text-embedding-3-large")

def index_documents(documents: list, batch_size: int = 100):
    splitter = RecursiveCharacterTextSplitter(chunk_size=512, chunk_overlap=64)
    chunks = splitter.split_documents(documents)

    for i in range(0, len(chunks), batch_size):
        batch = chunks[i:i + batch_size]
        texts = [c.page_content for c in batch]
        vectors = embeddings_model.embed_documents(texts)

        records = []
        for chunk, vector in zip(batch, vectors):
            doc_id = hashlib.md5(chunk.page_content.encode()).hexdigest()
            records.append({
                "id": doc_id,
                "values": vector,
                "metadata": {
                    "text": chunk.page_content,
                    "source": chunk.metadata.get("source", ""),
                    "page": chunk.metadata.get("page", 0),
                    "doc_type": chunk.metadata.get("doc_type", "general"),
                    "date": chunk.metadata.get("date", ""),
                }
            })

        index.upsert(vectors=records)
        print(f"Indexed batch {i//batch_size + 1}: {len(records)} chunks")

Запит з фільтрацією за метаданими

def rag_query(
    query: str,
    doc_type_filter: str = None,
    top_k: int = 5
) -> dict:

    query_vector = embeddings_model.embed_query(query)

    filter_dict = {}
    if doc_type_filter:
        filter_dict["doc_type"] = {"$eq": doc_type_filter}

    results = index.query(
        vector=query_vector,
        top_k=top_k,
        include_metadata=True,
        filter=filter_dict if filter_dict else None
    )

    context_chunks = []
    for match in results["matches"]:
        context_chunks.append({
            "text": match["metadata"]["text"],
            "source": match["metadata"]["source"],
            "score": match["score"]
        })

    return context_chunks

Як реалізувати Hybrid Search

Pinecone підтримує гібридний пошук через вбудований BM25. Ми навчаємо BM25 на корпусі документів і використовуємо sparse-вектори в запитах. Згідно з Pinecone Hybrid Search Guide, для цього застосовується pinecone_text.sparse.BM25Encoder.

from pinecone_text.sparse import BM25Encoder

bm25 = BM25Encoder()
bm25.fit(all_texts)

def hybrid_query(query: str, alpha: float = 0.5, top_k: int = 5) -> list:
    """
    alpha=1.0: тільки dense
    alpha=0.0: тільки sparse (BM25)
    alpha=0.5: рівна вага обох
    """
    dense_vector = embeddings_model.embed_query(query)
    sparse_vector = bm25.encode_queries(query)

    results = index.query(
        vector=dense_vector,
        sparse_vector=sparse_vector,
        top_k=top_k,
        include_metadata=True,
        alpha=alpha,
    )
    return results["matches"]

Гібридний пошук дає приріст recall на 15–30% порівняно з pure dense для доменів з високою термінологічною точністю.

Кейс з нашої практики: корпоративна база знань рітейлера

Масштаб: 45 000 SKU з описами, 3 200 сторінок регламентів, 800 FAQ-записів. Сумарно ~180 000 векторів. Наш клієнт — мережа роздрібної торгівлі з 5+ років досвіду автоматизації.

Конфігурація: Pinecone Serverless (aws/us-east-1), dimension=1536 (text-embedding-3-small для економії), metric=cosine.

Паттерн використання: 15 000 запитів/день, пікове навантаження 200 RPS в години розпродажів.

Результати:

• Latency P95 для retrieval: 180 мс
• Latency P95 для повного RAG відповіді: 2.1 с (включаючи GPT-4o-mini)
• Context recall (знайшли потрібний документ): 0.87
• Answer accuracy (LLM-judge): 0.83

Оптимізації:

• Namespace separation: товари/регламенти/FAQ в окремих namespace — дозволяє фільтрувати без overhead
• Metadata-only queries: для низки запитів достатньо фільтра за метаданими без векторного пошуку
• Cache популярних запитів: Redis кеш для топ-500 частих питань (~30% hit rate)

Порівняння Pinecone з альтернативами

Pinecone кращий за Weaviate в сценаріях зі змінним навантаженням завдяки serverless, а Chroma програє за функціоналом фільтрації.

Як оцінити якість retrieval?

Для об'єктивної оцінки retrieval використовуємо метрики precision@k, recall@k та NDCG. На тестовій вибірці з 500 запитів з розміченими релевантними документами ми автоматично обчислюємо ці показники. Оптимальні значення precision@5 >= 0.85 та recall@10 >= 0.9. Додатково застосовуємо LLM-as-judge: GPT-4o оцінює, наскільки контекст достатній для відповіді. Це дозволяє виявити проблеми з чанкінгом або помилки ембеддингів.

Що входить в роботу

1. Аудит даних: аналіз джерел, визначення стратегії чанкінгу та метаданих.
2. Проектування схеми індексу: вибір розмірності, метрики, конфігурація serverless.
3. Розробка пайплайну індексації: batch processing, deduplication, збагачення метаданих.
4. RAG-пайплайн: інтеграція з LLM (GPT-4o, Claude, LLaMA), промпт-інжиніринг, захист від halluciation.
5. Тестування та моніторинг: precision/recall, latency p99, LLM-as-judge.
6. Документація та навчання: model card, інструкція для розробників, передача доступу.
7. Супровід: гарантія 3 місяці, SLA на інциденти.

Строки орієнтовно

Вартість розраховується індивідуально на основі обсягу даних, кількості джерел та складності інтеграцій. Зв'яжіться з нами для оцінки вашого проекту — обговоримо деталі та підготуємо комерційну пропозицію протягом дня.

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.