
Бот по своим документам отвечает мимо или «не нашёл». Разбираем, почему RAG даёт неправильные ответы, как найти виноватый этап и что чинить в каждом случае.

Семантический поиск умнее — но проваливает артикулы и коды ошибок. Сравниваем поиск по эмбеддингам и по ключевым словам и говорим, что брать в проект.

Векторный поиск или BM25: сравниваем по тому, что каждый находит и где молча промахивается. Плюс формула, которой их склеивают в один список.

Реранкер — второй этап поиска в RAG. Разбираем, почему эмбеддинги путают «работает» и «не работает», и как одна модель это чинит.

Пошаговый разбор нарезки документов для RAG: размер куска, перекрытие, контекст к каждому фрагменту и проверка на своих вопросах.

Векторный поиск подсовывает нерелевантные куски, и модель уверенно отвечает мимо. Разбираем три реальные причины — порог, размер чанков, эмбеддинги — и фиксы.

Окна контекста выросли до миллиона токенов — значит, RAG больше не нужен? Не спеши. Сравниваем RAG и длинный контекст по цене, свежести и надёжности.
Хочешь, чтобы бот знал твои документы? Новички тянутся к дообучению, а нужен почти всегда RAG. Сравниваем по цене, свежести и сложности.