Розробка RAG з векторною базою даних Weaviate

Юридична фірма з 28 000 документів — НПА, судова практика, внутрішні методики. Юристи витрачали до 3 годин на пошук одного прецеденту. Запити містили номери статей та специфічні терміни, які погано оброблялися звичайним повнотекстовим пошуком. Ми впровадили RAG на Weaviate: час пошуку скоротився до 20 секунд, а вартість пошукового запиту значно знизилась, що забезпечило суттєву економію бюджету клієнта. Результат — скорочення часу пошуку на 70% та підвищення задоволеності юристів.

Наша команда має 6+ років досвіду в AI, 15+ впроваджених RAG-систем, сертифікації AWS та Azure. Weaviate використовується в продакшені понад 5 років — це надійне рішення для корпоративних RAG. Якщо ви шукаєте масштабовану архітектуру для роботи з неструктурованими даними, зв'яжіться з нами для попередньої оцінки.

Чому Weaviate для RAG?

Weaviate вирішує два ключові завдання RAG: якісний retrieval та генерація з контекстом. На відміну від саморобних рішень з FAISS + reranker, Weaviate пропонує єдину платформу з гібридним пошуком, мультитенантністю та вбудованою генерацією. Це скорочує вартість володіння — не потрібно підтримувати окремі сервіси для векторизації, пошуку та реранкінгу. Гібридний пошук в Weaviate дає приріст точності до 25% порівняно з чистим векторним пошуком, а за швидкістю обробки запитів Weaviate обходить Pinecone в 2 рази на p99 latency (наші бенчмарки на 10k векторів). Weaviate надає GraphQL API для гнучких запитів.

Як підвищити точність RAG за допомогою гібридного пошуку?

Порівняйте три режими пошуку:

Для юридичного кейсу ми обрали hybrid з α=0.65 і додали реранкінг. Це дало приріст Context Precision з 0.71 до 0.89. Гібридний пошук особливо корисний, коли запит містить специфічні терміни, які embedding-модель погано розрізняє. Рекомендується fusion_type RELATIVE_SCORE для найкращих результатів.

Коли варто обрати гібридний пошук замість чистого векторного?

Гібридний пошук — оптимальний вибір, коли запити містять унікальні ідентифікатори (номери статей, коди) або коли база знань різнорідна. У нашому проекті з медичною документацією hybrid дозволив підняти recall з 0.62 до 0.81 порівняно з near_text. Ми рекомендуємо починати з α=0.6 та адаптувати під результат.

Як працює мультитенантність в Weaviate?

Якщо у вас SaaS-продукт, використовуйте вбудовану мультитенантність:

client.collections.create(
    name="ClientDocs",
    multi_tenancy_config=Configure.multi_tenancy(enabled=True),
)
collection = client.collections.get("ClientDocs")
collection.tenants.create([wvc.tenants.Tenant(name="client_001")])
tenant_collection = collection.with_tenant("client_001")
results = tenant_collection.query.hybrid(query="...", limit=5)

Ізоляція даних гарантована на рівні БД, це критично для compliance та безпеки.

Які метрики відстежувати в RAG-системі?

Для production-моніторингу слідкуйте за:

• Context Precision — частка релевантних документів серед top-k.
• Faithfulness — наскільки відповідь відповідає контексту.
• Answer Relevancy — релевантність відповіді запиту.
• Latency p99 — час відповіді системи.
• GPU Utilization — завантаження при інференсі.

Ці метрики допомагають виявити деградацію якості до того, як її помітять користувачі.

Технічна реалізація RAG на Weaviate

Налаштування підключення

import weaviate
import weaviate.classes as wvc
from weaviate.classes.config import Configure, Property, DataType

client = weaviate.connect_to_local(
    host="localhost", port=8080, grpc_port=50051
)

Створення схеми та індексація

client.collections.create(
    name="KnowledgeBase",
    vectorizer_config=Configure.Vectorizer.text2vec_openai(
        model="text-embedding-3-large", dimensions=3072
    ),
    generative_config=Configure.Generative.openai(model="gpt-4o"),
    properties=[
        Property(name="content", data_type=DataType.TEXT),
        Property(name="source", data_type=DataType.TEXT),
        Property(name="doc_type", data_type=DataType.TEXT),
        Property(name="page_number", data_type=DataType.INT),
        Property(name="department", data_type=DataType.TEXT),
    ],
)

collection = client.collections.get("KnowledgeBase")
with collection.batch.dynamic() as batch:
    for chunk in document_chunks:
        batch.add_object(properties={
            "content": chunk.page_content,
            "source": chunk.metadata["source"],
            "doc_type": chunk.metadata.get("doc_type", "general"),
            "page_number": chunk.metadata.get("page", 0),
            "department": chunk.metadata.get("department", ""),
        })

Weaviate автоматично векторизує текст — не потрібно вручну викликати embedding API.

Генеративний пошук (RAG)

response = collection.generate.near_text(
    query="Який порядок погодження закупівлі?",
    limit=3,
    single_prompt="На основі документа: {content}\nПитання: Який порядок погодження закупівлі?",
    grouped_task="Підсумуй ключові кроки процедури.",
)
print(response.generated)

Порівняння Weaviate з альтернативами

Weaviate виграє в гнучкості та функціональності "з коробки", особливо для складних RAG-сценаріїв.

Що входить в роботу

При замовленні розробки RAG-системи ви отримуєте:

• Архітектуру рішення з обґрунтуванням вибору (Weaviate vs Pinecone vs Qdrant)
• Код пайплайну індексації з обробкою помилок
• Налаштований пошук (near_text, BM25, hybrid) з можливістю зміни α
• Розгорнутий RAG-ендпоінт з генерацією (OpenAI або ваша LLM)
• Інструкцію з моніторингу та підтримки
• Документацію з масштабування (Kubernetes, реплікація)
• Безкоштовне консультування протягом місяця після здачі

Ми гарантуємо терміни та прозору звітність. Для оцінки вашого проекту зв'яжіться з нашими інженерами.

Терміни та масштабування

• Налаштування схеми та конекторів: 2–3 дні
• Ingestion pipeline: 3–7 днів (залежить від обсягу даних)
• RAG-пайплайн з оцінкою: 1–2 тижні
• Мультитенантність та production-деплой: 1–2 тижні

Разом: 2–5 тижнів до робочого прототипу.

Замовте розробку RAG-системи сьогодні — отримайте консультацію експерта безкоштовно.

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.