Корпоративный RAG: от простого пайплайна к измеримому поиску регламентов
Практический кейс создания RAG‑сервиса для внутреннего поиска по регламентам: от n8n и Qdrant до гибридной архитектуры с BM25, embeddings и RRF.
В статье на Habr AI описан реальный проект по построению корпоративного RAG‑сервиса, предназначенного для поиска по внутренним регламентным и нормативным документам. Команда начала с простого пайплайна, собранного в n8n и использующего векторную базу Qdrant. Первоначальная реализация, основанная на «наивной» нарезке текста, показывала низкую точность из‑за специфики нормативных документов: длинные таблицы, вложенные списки и терминология, не встречающаяся в публичных корпусах.
Для повышения качества был внедрён гибридный подход. Текст сначала разбивается на «структурные чанки» с помощью Natasha и кастомных словарей корпоративных терминов. Затем каждый чанк индексируется двумя способами: традиционным BM25 и векторными embeddings, полученными через модели HuggingFace (мультимодальная модель для обработки таблиц). При запросе результаты объединяются методом Reciprocal Rank Fusion (RRF), а финальная переоценка (reranking) выполняется лёгкой трансформер‑моделью, обученной на размеченных запросах.
В результате система демонстрирует измеримую метрику MAP ≈ 0.78, что в 2,5‑раз выше базовой конфигурации. Авторы также делятся практическими советами: почему обычная нарезка текста плохо работает на нормативных документах, как использовать Natasha для выделения сущностей и как построить надёжный pipeline в n8n без написания кода.
Статья полезна как для инженеров, планирующих внедрить RAG в корпоративных средах, так и для руководителей, оценивающих ROI от автоматизации доступа к знаниям.
Для разработчиков это пример, как комбинировать классический BM25 с современными embeddings, получая лучшую точность без полной замены инфраструктуры. Структурный chunking и RRF позволяют масштабировать поиск по громоздким регламентам, а n8n упрощает оркестрацию без кода. Однако потребуется поддержка кастомных словарей и периодическое переобучение reranker‑модели.
