Офлайн-RAG з коробки: Ollama, FastAPI і Docker без хмари
VaultRAG — стартовий набір для локального RAG: PDF, ембединги в Ollama, пошук у власному індексі й відповіді через SSE. Для клієнтів, яким не можна в OpenAI.
Stuzhuk Lab — Chemistry of Code
Хімія коду
← Усі статті
Тег
RAG
Усі статті блогу з цим тегом.
Метрики якості нейромереж: як зрозуміти, що модель справді працює
Як обрати метрики якості нейромережі: класифікація, комп’ютерний зір, OCR, LLM і RAG, калібрування та виробничі показники — що вимірювати, щоб модель реально працювала в продукті.
ACL і мультиоренда в RAG: фільтрувати права до пошуку, а не після
Права доступу в промисловому RAG не можна залишати моделі. Як ізолювати орендарів, застосувати список доступу до вилучення, закрити приховані канали витоку і виміряти повноту за жорстких фільтрів.
Завантаження документів у RAG: PDF, таблиці, розпізнавання і версії без тихого сміття
Конвеєр прийому документів для промислового RAG: незмінний оригінал, розбір PDF і сканів, таблиці без зламаних комірок, карантин парсера, версії та ідемпотентність.
Як LLM знаходить знання: від токенів і Transformer до RAG
Як текст стає токенами й векторами, що робить Transformer, чим навчання відрізняється від RAG, і як із Markdown зібрати пошук знань для моделі.
Як навчають LLM: попереднє навчання, донавчання, LoRA, RAG і агенти
Рівні адаптації мовних моделей: що змінює ваги, що підключає знання й інструменти, і як обрати підхід без «донавчання на PDF».
Векторні бази даних у промисловому ШІ: шар індексу, пошуку й зберігання
Як обрати й експлуатувати векторну базу: алгоритми пошуку, фільтри, орендарі, PostgreSQL із pgvector проти окремого сховища.
Контур оцінювання ШІ у 2026 році: золоті набори, регресійні бар’єри та критерії випуску для промислової експлуатації
Практичний посібник зі створення контуру оцінювання ШІ: золоті набори, метрики пошуку й генерації, бар’єри CI, тіньовий трафік, випуск і FinOps LLM-шлюзу.
Промислова інженерія RAG у 2026 році: поділ, гібридний пошук, повторне ранжування та оцінювання
Практичний посібник із промислової RAG-архітектури: підготовка даних, поділ документів, гібридний пошук, повторне ранжування, оцінювання, спостережуваність, безпека та план упровадження на 90 днів.
Промпт-інʼєкції у продакшені 2026: захист RAG, інструментів і агентів від недовіреного вмісту
Архітектурний підхід до захисту RAG і агентів від промпт-інʼєкцій: походження документів, ізоляція контексту, мінімальні права, контроль вихідної мережі, пісочниці та перевірювана багаторівнева оборона.
Експерименти з поділом документів із фіксованою розміткою, HTML і баз знань для RAG
Контрольовані експерименти з поділом документів зі збереженням структури й цитат.
Як побудувати еталонний набір даних для оцінювання RAG
Еталонний набір для оцінювання пошуку й відповідей RAG: розмітка, версії та контроль регресій.
Гібридний пошук із BM25, векторами та reciprocal-rank fusion
Поєднання BM25, векторного пошуку та reciprocal-rank fusion із вимірюваними промисловими обмежувачами.
Повторне ранжування в промисловому RAG: якість, затримка та вартість
Експлуатація етапу повторного ранжування RAG з явними бюджетами якості, затримки та вартості.
Референтна архітектура корпоративної платформи ШІ
Як поєднати бізнес-завдання, знання, RAG, агентів, безпеку та спостережуваність в єдину корпоративну платформу ШІ.
Безпечна розробка корпоративного ШІ: як випускати зміни без втрати контролю
Як побудувати безпечний життєвий цикл змін у корпоративній платформі ШІ: від вимог і тестування до випуску, відкату та моніторингу.
Спостережуваність корпоративного ШІ: як бачити систему цілком
Як організувати спостережуваність корпоративного ШІ: від інфраструктури й RAG до безпеки, якості відповідей і бізнес-метрик.
Як оцінювати корпоративний ШІ: метрики, яким можна довіряти
Практична система оцінювання корпоративного ШІ за пошуком, відповідями, безпекою та впливом на бізнес-процеси.
Промислова RAG-архітектура: від пошуку до платформи знань
Як спроєктувати масштабований RAG для багатьох джерел, мільйонів документів і розмежування доступу.
Підготовка даних для RAG: як перетворити архіви на базу знань
Як очистити, описати, поділити та безпечно індексувати корпоративні документи для якісних відповідей ШІ.
Як обрати LLM для підприємства: критерії замість рейтингів
Як обрати мовну модель для корпоративного ШІ за сценаріями, безпекою, вартістю та вимогами до інфраструктури.
Перший пілот корпоративного ШІ: від карти знань до вимірюваної цінності
Як обрати обмежений і безпечний пілот корпоративного ШІ, визначити критерії успіху та підготувати масштабування.
Карта корпоративних знань: від інформаційного хаосу до основи для ШІ
Як виявити, класифікувати та безпечно підключати знання підприємства для RAG і корпоративного пошуку.
ERP як джерело знань, а не конкурент корпоративного ШІ
Як інтегрувати корпоративний ШІ з ERP, зберігши достовірність даних, ролі доступу та контроль операцій.
Чому корпоративному ШІ потрібні агенти
Як агентні системи поєднують мовну модель із корпоративними сервісами та автоматизують процеси під контролем людини.
Коли донавчання моделі справді потрібне
Як відрізнити корпоративні знання від поведінки моделі та зрозуміти, коли донавчання виправдане.
Безпека як архітектурний принцип корпоративного ШІ
Чому захист даних, права доступу, перевірюваність відповідей і аудит мають визначати архітектуру корпоративного ШІ від першого дня.
Інфраструктура корпоративного ШІ: проєктування від навантаження, а не від GPU
Як спроєктувати надійну й масштабовану інфраструктуру корпоративного ШІ, починаючи з бізнес-сценаріїв і вимог безпеки.
Векторні бази даних: фундамент семантичного пошуку в корпоративному ШІ
Як векторна база прискорює пошук знань підприємства, зберігає права доступу та стає частиною надійної RAG-архітектури.
Чому ембединги змінили корпоративний пошук
Як векторні представлення допомагають знаходити корпоративні знання за змістом, не скасовуючи точний пошук і вимоги безпеки.
Чому підприємствам потрібен RAG, а не пам’ять усередині LLM
Як RAG відокремлює корпоративні знання від моделі, підтримує актуальність документів і зберігає перевірюваний доступ.