--- title: RAG: база знаний для ИИ-агентов своими руками slug: rag-sistemy description: RAG-системы: как построить базу знаний для ИИ-агентов своими руками — эмбеддинги, векторы, чанкинг, поиск и интеграция. Пошаговое руководство. keywords: [rag система, база знаний ии, retrieval augmented generation, rag своими руками, векторная база] h1: RAG: база знаний для ИИ-агентов своими руками category: ИИ-агенты tags: [rag, база знаний, эмбеддинги, векторная база] date: 2026-08-20 image: /images/articles/rag-sistemy.webp image_alt: RAG-система — база знаний для ИИ-агентов reading_time: ~9 мин author: Refertur canonical: https://ai-courses.refertur.net/articles/rag-sistemy/ faq: - q: Что такое RAG простыми словами? a: RAG (Retrieval Augmented Generation — генерация с дополнением из поиска) — это способ дать ИИ-модели доступ к вашим данным: документы разбиваются на части, превращаются в векторы, и при вопросе модель сначала находит релевантные фрагменты, а потом отвечает на их основе. - q: Зачем нужна RAG-система? a: RAG нужен, чтобы ИИ отвечал на основе ваших документов, а не только своих знаний: актуальные данные, корпоративные документы, базы знаний. Без RAG модель не знает ваш контент; с RAG — отвечает с учётом ваших материалов и ссылается на них. - q: Как построить RAG своими руками? a: RAG строится в 4 шага: 1) разбейте документы на фрагменты (чанки), 2) создайте эмбеддинги (векторы) через модель эмбеддингов, 3) сохраните в векторную базу (Chroma, Qdrant, PGVector), 4) при вопросе ищите похожие фрагменты и отправляйте модели вместе с вопросом. - q: Какие инструменты нужны для RAG? a: Для RAG нужны: модель эмбеддингов (OpenAI embeddings, BGE, E5), векторная база (Chroma, Qdrant, Weaviate, PostgreSQL+pgvector) и LLM для ответов. Для простых прототипов достаточно Python + Chroma + openai/llamaindex. - q: Какие ошибки допускают при построении RAG? a: Частые ошибки: слишком большие или маленькие чанки (теряется контекст), плохие метаданные (нельзя фильтровать), игнорирование обновлений (устаревшие данные), отсутствие гибридного поиска (только векторный без ключевых слов), нет оценки качества ответов. jsonld: {} --- # RAG: база знаний для ИИ-агентов своими руками RAG-система (Retrieval Augmented Generation) позволяет ИИ-агентам отвечать на основе ваших документов: от корпоративной базы знаний до технической документации. В этом руководстве построим RAG своими руками — от чанкинга до векторного поиска. ## Как работает RAG ``` Документы → Чанкинг → Эмбеддинги → Векторная база ↑ Вопрос пользователя → Эмбеддинг → Поиск похожих фрагментов ↓ LLM = Вопрос + Найденные фрагменты → Ответ ``` ## Этапы построения RAG ### Этап 1: чанкинг документов Документы разбиваются на фрагменты. Правила чанкинга: | Параметр | Рекомендация | |---|---| | Размер чанка | 300-800 токенов | | Перекрытие | 10-15% между чанками | | Границы | Разрывать по абзацам/разделам | | Метаданные | Источник, раздел, дата | Пример: ```python from langchain_text_splitters import RecursiveCharacterTextSplitter splitter = RecursiveCharacterTextSplitter( chunk_size=1000, chunk_overlap=150 ) chunks = splitter.split_text(document) ``` ### Этап 2: эмбеддинги Каждый чанк превращается в вектор через модель эмбеддингов: ```python from openai import OpenAI client = OpenAI() vectors = client.embeddings.create( model="text-embedding-3-small", input=chunks ) ``` ### Этап 3: векторная база Сохраните векторы в хранилище. Простой вариант — Chroma: ```python import chromadb client = chromadb.Client() collection = client.create_collection("docs") collection.add( documents=chunks, ids=[f"chunk-{i}" for i in range(len(chunks))], metadatas=[{"source": "guide.md"} for _ in chunks] ) ``` ### Этап 4: поиск и ответ При вопросе: эмбеддинг вопроса → поиск ближайших чанков → запрос к LLM: ```python query_vec = client.embeddings.create( model="text-embedding-3-small", input=[question] ) results = collection.query( query_embeddings=query_vec.data[0].embedding, n_results=5 ) # отправляем вопрос + найденные фрагменты в LLM ``` ## Выбор инструментов | Компонент | Варианты | Когда выбирать | |---|---|---| | Эмбеддинги | OpenAI, BGE, E5, Cohere | Облако / локально | | Векторная база | Chroma, Qdrant, Weaviate, pgvector | Прототип / production | | LLM | GPT, Claude, локальные | Качество / приватность | | Фреймворк | LangChain, LlamaIndex | Ускорение разработки | ## Интеграция с агентами RAG подключается к ИИ-агентам через MCP-сервер памяти или API: агент получает инструмент «поиск по базе знаний» и использует его при ответах. В OpenCode: ```json { "mcp": { "knowledge": { "type": "stdio", "command": "npx", "args": ["-y", "mcp-server-rag", "--db", "./kb"] } } } ``` ## Оценка качества RAG | Метрика | Что проверяет | |---|---| | Retrieval precision | Найденные фрагменты релевантны? | | Answer faithfulness | Ответ соответствует фрагментам? | | Answer relevance | Ответ отвечает на вопрос? | | Coverage | Все нужные данные найдены? | ## Ошибки и решения | Ошибка | Решение | |---|---| | Контекст теряется между чанками | Перекрытие, разбивка по разделам | | Поиск не находит нужное | Гибридный поиск (векторный + ключевой) | | Устаревшие данные | Плановое переобновление индекса | | Дорого хранить всё | Фильтры, индексация только важного | | Ответы без ссылок | Возвращайте метаданные с источниками | ## Таблица: RAG vs fine-tuning | Параметр | RAG | Fine-tuning | |---|---|---| | Данные | Внешняя база | В весах модели | | Обновление | Мгновенно | Переобучение | | Стоимость | Низкая | Высокая | | Прозрачность | Есть источники | Нет | | Когда использовать | Актуальные данные | Стиль/формат | ### Гибридный поиск Только векторный поиск теряет точные совпадения по ключевым словам. Гибридный поиск объединяет два механизма: | Механизм | Находит | |---|---| | Векторный | Семантически похожие фрагменты | | Ключевой (BM25) | Точные совпадения терминов | | Гибрид (RRF) | Слияние обоих результатов | В Chroma комбинируйте `query` (текстовый поиск) и `query_embeddings` (векторный), затем объединяйте ранжирование. Это заметно повышает точность на технической документации. ### Обновление индекса База знаний устаревает: добавьте скрипт обновления, который проверяет изменения документов (хэши) и переиндексирует только изменившиеся чанки. В OpenCode это легко автоматизировать автономным запуском по расписанию. ## Что дальше - [Агентные пайплайны](/articles/agent-pajplajny/) - [Промпт-инжиниринг](/articles/prompt-inzhiniring/) - [Интеграция API](/articles/api-integracii-ii/) - [Документация OpenCode (рус.)](/docs/overview/) #### Следующие шаги ## Часто задаваемые вопросы - Что такое RAG? — Генерация с поиском по вашим документам. - Зачем нужен? — Ответы на основе ваших данных с источниками. - Как построить? — Чанкинг → эмбеддинги → векторная база → поиск + LLM. - Какие инструменты? — OpenAI/BGE, Chroma/Qdrant, LangChain. - Какие ошибки? — Чанки, метаданные, обновления, гибридный поиск. ## Заключение RAG-система своими руками — это 4 простых этапа, которые дают ИИ-агенту вашу базу знаний. Начните с прототипа на Chroma и OpenAI, затем добавьте гибридный поиск и обновления. Соберём базу знаний для вашего бизнеса. --- *Отчёт создан: refertur@yandex.ru · [refertur.net](https://refertur.net) · [t.me/realhikaz](https://t.me/realhikaz) · [WhatsApp](https://wa.me/+77054384888)* *SEO, продвижение, разработка, сайты, веб-приложения, сервисы, калькуляторы, контент-маркетинг, каталоги, отчёты, аудиты — на заказ. Напишите нам в [WhatsApp](https://wa.me/+77054384888?text=%D0%97%D0%B4%D1%80%D0%B0%D0%B2%D1%81%D1%82%D0%B2%D1%83%D0%B9%D1%82%D0%B5%2C%20%D1%85%D0%BE%D1%87%D1%83%20%D0%B7%D0%B0%D0%BA%D0%B0%D0%B7%D0%B0%D1%82%D1%8C%20%D1%81%D0%B5%D0%BE) — ответим в течение часа.*