Разработка RAG-систем, которые отвечают по Вашим данным и указывают источник
RAG даёт языковой модели доступ к Вашим данным. Мы строим всю цепочку: от загрузки файлов и баз до поиска, ранжирования, ответа с цитатой и измерения качества.
Что болит
Вы уже сделали прототип на LangChain за выходные, и на демо он выглядел хорошо. На реальных документах он путает версии, отвечает из чужого раздела и не находит таблицы. Команда не знает, как измерить, стало лучше или хуже.
Документы у Вас разные: PDF со сканами, Excel с ценами, страницы вики, записи в CRM. Один способ нарезки текста для всего не работает. Таблицы рассыпаются, а заголовки теряются.
Ещё одна проблема в данных, которые меняются каждый день. Прайс обновили, а ассистент отвечает по старому. Удалённый документ всё ещё попадает в ответы, потому что индекс никто не чистит.
Что строим
- Коннекторы к Вашим источникам: файлы, Google Drive, вики, PostgreSQL, CRM
- Разбор форматов: PDF, сканов через OCR, таблиц, презентаций и HTML
- Нарезка и embeddings под тип документа с метаданными для фильтров
- Векторная база Qdrant или pgvector в Вашем PostgreSQL
- Гибридный поиск и re-ranking, чтобы в ответ попадали нужные фрагменты
- Генерация ответа с цитатами и отказом, когда источника нет
- Инкрементальное обновление и удаление устаревших документов из индекса
- Набор тестов качества поиска и ответов, который запускается при каждом изменении
Что Вы получаете
- RAG-сервис с API для Ваших продуктов и внутренних систем
- Исходный код, конфигурация индексации и инфраструктура как код
- Тестовый набор вопросов с эталонами и отчёт качества
- Документация по архитектуре, обновлению индекса и добавлению источников
- Дашборд с метриками запросов, задержки и стоимости
Как измеряем результат
- Доля вопросов, где нужный фрагмент найден среди первых результатов
- Доля ответов с правильной цитатой по тестовому набору
- Время ответа и стоимость одного запроса
- Время от изменения документа до появления изменений в ответах
Системы и стек
Отрасли
Вопросы
От чего зависит цена разработки RAG?
Базовая цена от $7 000. Её определяют количество и разнообразие источников, доля сканов и таблиц, требования к правам доступа и место развёртывания. После discovery мы фиксируем смету за 2-3 дня, и она не меняется без Вашего согласия.
Какую векторную базу Вы используете?
Чаще всего Qdrant или pgvector. Если у Вас уже есть PostgreSQL, pgvector часто проще в поддержке. Для больших объёмов и сложных фильтров берём Qdrant. Решение принимаем по Вашим данным, а не по моде.
Как Вы измеряете качество?
Вместе с Вашей командой собираем реальные вопросы с эталонными ответами и источниками. Отдельно проверяем поиск и отдельно ответ. Тесты запускаются при каждом изменении модели, промпта или нарезки, поэтому регрессия видна сразу.
Можно ли обойтись без передачи данных сторонним ИИ-сервисам?
Да. Embeddings и генерация могут работать на нашей модели на vLLM или на Вашем сервере. Тогда документы не выходят за пределы контролируемой инфраструктуры. Для банков и клиник ставим выделенный сервер.
Что нужно от нас?
Доступ к источникам в режиме чтения, примеры типичных вопросов и человек, который знает предметную область и может проверить ответы. NDA и DPA подписываем до предоставления доступа.
Связанные услуги
Другие услуги раздела
Опишите задачу. Ответим в течение рабочего дня, первый звонок с фаундером.
Опишите задачу. Первый звонок с фаундером.
Ответим в течение рабочего дня. 30 минут, чтобы сказать, стоит ли это делать и сколько это стоит.