RAG и базы знаний

Цитирование источников в RAG: чтобы ответ можно было проверить

14 августа 2026

Ссылку на источник считают удобством для пользователя. На деле это инженерный механизм, и он решает три задачи сразу.

OCR и PDF для базы знаний: как достать текст из сложных документов

14 августа 2026

Значительная часть корпоративных знаний хранится в PDF: регламенты, техническая документация, договоры, паспорта изделий, отсканированные приказы. И это самый частый источник провалов RAG — причём провалов, которые обнаруживаются поздно.

RAG или дообучение модели: как выбрать и сколько это стоит

14 августа 2026

Вопрос ставят как выбор из двух технологий, а решается он одним признаком: что именно вы хотите изменить в поведении модели — то, что она знает, или то, как она отвечает.

Обновление базы знаний без переиндексации всего корпуса

14 августа 2026

Пока RAG-система живёт в прототипе, обновление корпуса выглядит просто: перезалить всё заново. На тысяче фрагментов это минуты.

Разграничение доступа в RAG: чтобы каждый видел только своё

14 августа 2026

Как только RAG выходит за пределы публичного справочника, появляется требование: разные сотрудники должны видеть разное. Кадровые документы — не для всех, условия по клиентам — только для своего менеджера, себестоимость — для узкого круга.

Почему RAG не находит документ, который точно есть

14 августа 2026

Ситуация знакома всем, кто эксплуатировал RAG: документ загружен, сведения в нём есть, а система отвечает «не знаю» или выдаёт что-то смежное. Проверяешь руками — всё на месте.

Метрики RAG: как измерять поиск и генерацию раздельно

14 августа 2026

Вопрос «насколько хорошо работает наша RAG-система» не имеет одного ответа, и попытка свести его к одному проценту — главная причина, по которой улучшения идут вслепую.

Pgvector или Qdrant: где хранить векторы

14 августа 2026

Выбор хранилища векторов обсуждают так, будто это принципиальное архитектурное решение. В большинстве проектов это не так: на объёмах, типичных для корпоративной базы знаний, работает и то и другое, а разница проявляется в эксплуатации, а не в качестве ответов.

Эмбеддинги для русского языка: как выбрать модель векторизации

14 августа 2026

Эмбеддинг — это перевод текста в набор чисел так, чтобы близкие по смыслу тексты давали близкие наборы. Вся смысловая часть поиска в RAG держится на этом преобразовании, поэтому выбор модели влияет на качество сильнее, чем выбор языковой модели, которая пишет ответ.

Реранкинг в RAG: зачем переоценивать найденное

14 августа 2026

Поиск возвращает список фрагментов, отсортированный по близости к вопросу. Проблема в том, что близость вектора — грубая мера: она сжимает целый фрагмент в одну точку и сравнивает точки. Нюансы при таком сжатии теряются.

Гибридный поиск в RAG: почему одних векторов мало

14 августа 2026

Смысловой поиск по векторам — то, ради чего RAG обычно и затевают: система находит нужное, даже если человек сформулировал вопрос другими словами. Это работает.

Чанкинг документов для RAG: как резать текст на фрагменты

14 августа 2026

Чанкинг — самая недооценённая часть RAG. Его считают технической мелочью и настраивают одним числом «размер фрагмента», хотя именно нарезка определяет, что система вообще сможет найти.

Архитектура RAG по шагам: что происходит между вопросом и ответом

14 августа 2026

Схему RAG обычно рисуют из трёх блоков: поиск, модель, ответ. Работающая система состоит примерно из десяти шагов, и разница между тремя и десятью — это и есть разница между демонстрацией и промышленной эксплуатацией.

RAG простыми словами: как ИИ отвечает по вашим документам

14 августа 2026

Языковая модель знает то, чему её учили, и не знает ваших регламентов, цен и условий. Спросите её про сроки поставки в вашей компании — она либо откажется отвечать, либо придумает правдоподобный ответ.

RAG решает задачу, с которой языковая модель сама не справляется: отвечать по вашим документам, а не по тому, что она запомнила при обучении. Модель получает найденные фрагменты и формулирует ответ на их основе — поэтому качество определяется не столько моделью, сколько тем, что и как ей нашли.

Раздел разбирает механику: архитектура по шагам, нарезка документов на фрагменты, выбор эмбеддингов для русского языка, гибридный поиск и реранкинг, векторные базы, разграничение доступа к документам, обновление корпуса без полной переиндексации.

Отдельно — диагностика: почему система не находит документ, который в базе точно есть, и как отличить проблему поиска от проблемы генерации.