· AI Engineer World's Fair 2025
Забудьте о RAG-пайплайнах — создавайте готовых к production AI agents за 15 минут
Forget RAG Pipelines—Build Production-Ready AI Agents in 15 Minutes
RAG можно собирать как управляемый сервис, а качество проверять юнит-тестами на естественном языке без своего пайплайна.
- Извлечение данных задаёт потолок качества — ошибка в сложной таблице или графике, например сдвинутый столбец, попадает в генерацию и уже не исправляется, поэтому результат разбора документов стоит проверять первым.
- Проверка опоры на источники — по словам авторов, ответ разбивается на отдельные утверждения, и каждое сверяется с найденными фрагментами; утверждения без опоры подсвечиваются, а ссылки ведут к областям страницы.
- Юнит-тесты на естественном языке — LMUnit ставит ответу оценку от 1 до 5 по критериям вроде «нет ли лишней информации»; в примере ответ получил 2,2, и это дало понятную точку для правки system prompt.
- Генератор, опирающийся на контекст — собственная модель обучена опираться на переданные документы; в тесте с бессмысленными корреляциями обычный чат спорил с данными, а RAG-агент приводил цифру и цитировал оговорки из источника.
Кому полезно: тем, кто строит RAG по большому набору разнородных документов и упирается в точность ответов. Доклад во многом презентация продукта Contextual AI, но часть про проверку ответов применима и к собственному стеку.
Статья по теме
Главы
Похожие доклады
OpenRAG: open source-стек для RAG
AI Engineer Europe 2026
Близко по содержанию
RAG нужна карта: как GraphRAG извлекает связанный контекст
AI Engineer World's Fair 2026
Близко по содержанию
Создание слоя контекста документов для AI agents
AI Engineer World's Fair 2026
Близко по содержанию
За пределами RAG: создаём реляционный движок контекста с нуля
AI Engineer World's Fair 2026
Близко по содержанию


