Содержание
Введение
На демонстрации RAG выглядит просто: система индексирует несколько документов, находит фрагменты и передаёт их модели. В предприятии источников десятки, документов — миллионы, а права доступа различаются между подразделениями и пользователями. Для таких условий нужна промышленная архитектура.
Почему это важно
Недостаточно просто запустить поиск. Платформа должна сохранять актуальность знаний, масштабироваться с ростом данных и поддерживать предсказуемое время ответа. Иначе качество выдачи деградирует, а стоимость сопровождения растёт быстрее ценности системы.
Основное объяснение
Промышленный RAG — не один индекс, а набор специализированных сервисов: конвейер подготовки, сервис эмбеддингов, векторный и полнотекстовый индексы, гибридный поиск, повторное ранжирование, формирование контекста и языковая модель.
flowchart LR
sources[Источники данных] --> prep[Подготовка]
prep --> embeddings[Эмбеддинги]
embeddings --> vector[Векторный индекс]
prep --> text[Полнотекстовый индекс]
vector --> hybrid[Гибридный поиск]
text --> hybrid
hybrid --> rerank[Повторное ранжирование]
rerank --> context[Контекст]
context --> llm[LLM]
llm --> answer[Ответ со ссылками]
Полнотекстовый поиск полезен для точных совпадений: кода оборудования, номера документа или нормативного термина. Семантический находит близкие по смыслу материалы. Их сочетание повышает полноту выдачи, а повторное ранжирование помещает наиболее полезные фрагменты в контекст модели.
Безопасность
| Требование | Практическое значение |
|---|---|
| Фильтрация по ролям до выдачи | Пользователь не видит закрытые документы |
| Раздельная индексация | Критичные данные можно изолировать |
| Прослеживаемость источников | Каждый ответ можно проверить |
| Контроль обновлений | Устаревшие документы не участвуют в поиске |
| Журналирование запросов | Использование базы знаний доступно для аудита |
Проверка прав должна происходить до формирования контекста модели. Если закрытый фрагмент уже передан модели, исправить ошибку последующей фильтрацией невозможно.
Корпоративный пример
Промышленный холдинг ведёт отдельные индексы для нормативной документации, проектных архивов, внутренних регламентов и экспертных заключений. Система определяет тип запроса, обращается к нужным источникам, объединяет и ранжирует результаты, а затем формирует контекст. Это снижает нагрузку и повышает точность.
Пример из промышленной безопасности
Эксперт ищет требования к диагностике конкретного оборудования. Платформа одновременно анализирует нормы, внутренние методики, архив заключений и техническую документацию. Материалы с истёкшим сроком действия исключаются, а ответ содержит ссылки на действующие первоисточники.
ИИ помогает собрать доказательства, но не заменяет эксперта, который оценивает применимость требований и отвечает за безопасное решение.
Типичные ошибки
- Использовать только векторный поиск.
- Смешивать все документы в одном индексе без структуры.
- Отказаться от повторного ранжирования.
- Проверять доступ после поиска, а не до него.
- Не иметь стратегии обновления индексов.
Практические выводы
Определите архитектуру конвейера подготовки, стратегию индексации, правила гибридного поиска, механизм повторного ранжирования, требования к обновлению и метрики качества. Такая декомпозиция позволяет масштабировать RAG как платформу знаний, а не как демонстрационный чат.
Ключевые тезисы
- Промышленный RAG состоит из нескольких специализированных сервисов.
- Гибридный поиск надёжнее одного механизма.
- Повторное ранжирование улучшает контекст и ответы.
- Безопасность проверяется до выдачи и передачи контекста модели.
- Масштабируемость должна быть частью исходной архитектуры.