Архитектура современных RAG-систем: от векторов до GraphRAG и агентов

Профиль аудитории:

• ML-инженеры и NLP-специалисты, разрабатывающие системы на основе LLM
• Архитекторы AI-решений, проектирующие RAG-пайплайны
• Backend-разработчики, интегрирующие RAG-системы в продукты
• Data Engineers, работающие с векторными базами данных и графами знаний

Предварительные требования:

• Опыт работы с Python и LLM-фреймворками (LangChain, LlamaIndex)
• Базовое понимание архитектуры Transformer, эмбеддингов и векторного поиска
• Знакомство с Docker и REST API
• Опыт работы с базами данных (SQL или NoSQL)

По окончании курса слушатели смогут:

• Проектировать и реализовывать RAG-пайплайны от Naive RAG до продвинутых архитектур
• Применять продвинутые методы поиска: гибридный поиск (BM25 + векторный), Query Expansion, HyDE, Re-ranking
• Строить GraphRAG-системы на базе Neo4j с извлечением сущностей и графовым поиском
• Реализовывать адаптивные подходы: Corrective RAG, Self-RAG, LongRAG
• Проектировать Agentic RAG с многошаговым рассуждением и семантической маршрутизацией
• Работать с мультимодальными данными (изображения, таблицы, графики) в RAG
• Оценивать качество RAG-систем (RAGAS, DeepEval) и обеспечивать масштабирование и безопасность

Модуль 1. Фундамент: Naive RAG и оптимизация данных

• Тема 1.1. Архитектура Naive RAG
• Ограничения контекстного окна и проблема галлюцинаций. Компоненты: ETL-пайплайн, Embedding-модели, Vector Stores.
• Тема 1.2. Продвинутый Chunking (Разбиение)
• От фиксированного окна к семантическому разбиению. Рекурсивное разбиение и учет разметки (Markdown/HTML/PDF).
• Тема 1.3. Векторные базы данных 2026
• Сравнение: Pinecone, Weaviate, Milvus, Chroma, pgvector. Индексация: HNSW против IVFFlat.
• Практика: Создание базового RAG-пайплайна на LlamaIndex с семантическим чанкингом.

Модуль 2. Advanced Retrieval: Качество поиска

• Тема 2.1. Гибридный поиск (Hybrid Search)
• Соединение векторного поиска и BM25. Reciprocal Rank Fusion (RRF).
• Тема 2.2. Продвинутая обработка запросов
• Query Expansion, Multi-Query, Query Translation. Гипотетические эмбеддинги (HyDE).
• Тема 2.3. Re-ranking (Переранжирование)
• Cross-Encoders, Cohere Rerank, BGE-Reranker.
• Практика: Внедрение переранжирования и оценка прироста Hit Rate.

Модуль 3. GraphRAG: Интеллект на графах знаний

• Тема 3.1. Введение в Knowledge Graphs
• Почему векторы не видят связей? Графы как способ хранения онтологий. Инструменты: Neo4j, FalkorDB.
• Тема 3.2. Архитектура Microsoft GraphRAG
• Извлечение сущностей и связей. Генерация коммьюнити-репортов (Community Summaries).
• Тема 3.3. Глобальный против Локального поиска
• Когда использовать векторный поиск, а когда — графовый.
• Практика: Развертывание GraphRAG на Neo4j и сравнение с классическим RAG.

Модуль 4. Адаптивные и итеративные подходы

• Тема 4.1. Corrective RAG (CRAG)
• Автоматическая оценка релевантности и запуск веб-поиска при нехватке знаний.
• Тема 4.2. Self-RAG
• Обучение модели критиковать собственные ответы. Специальные токены рефлексии.
• Тема 4.3. LongRAG
• Стратегии для огромных контекстных окон (1M+ токенов). RAG vs. длинный контекст.
• Практика: Реализация самопроверки (Self-Correction) в пайплайне на LangGraph.

Модуль 5. Agentic RAG: Агенты-исследователи

• Тема 5.1. RAG как инструмент Агента
• Паттерн ReAct. Агентный выбор между поиском в документах, SQL-базе или интернете.
• Тема 5.2. Многошаговое рассуждение (Multi-hop Reasoning)
• Декомпозиция сложного вопроса на подвопросы. Сбор информации из разных источников.
• Тема 5.3. Маршрутизация (Semantic Routing)
• Динамический выбор лучшего пайплайна в зависимости от интента пользователя.
• Практика: AI-агент для техподдержки — поиск в базе знаний или запрос статуса заказа через API.

Модуль 6. Мультимодальный RAG и Production

• Тема 6.1. Multi-modal RAG
• Работа с изображениями, таблицами и графиками. Визуальные эмбеддинги (CLIP, ColPali).
• Тема 6.2. Оценка систем (RAG Evaluation)
• Фреймворки RAGAS и DeepEval. Метрики: Faithfulness, Answer Relevance, Context Precision.
• Тема 6.3. Масштабирование и Безопасность
• Semantic Caching. Защита от Prompt Injection через контекст. Оптимизация стоимости токенов.
• Практика: Автоматическое тестирование RAG-системы с помощью RAGAS и генерация отчета.