· AI Engineer World's Fair 2025
Постепенно добавляем все техники RAG — запрос за запросом
Layering every technique in RAG, one query at a time
Улучшать RAG стоит от провалившихся запросов: сначала замер и разбор ошибок, потом техника из каталога по сложности и эффекту.
- Простое первым — контекст целиком и BM25 стоит попробовать до эмбеддингов, BM25 легко проверить и он заметно поднимает качество. Векторный поиск и cross-encoder добавляйте, когда разбор запросов показывает провал; разговорные запросы вроде «сколько iPhone держит заряд» обычно требуют векторов.
- Сигналы помимо релевантности — цена, популярность и клики часто важнее смысла: в примере спикера Perplexity на запрос с бюджетом от 50 долларов предложил подарки за 15 и 40 долларов.
- Разветвление запросов (fan-out) — LLM не знает устройства вашего поиска, поэтому сложный запрос разбивают на подзапросы и отправляют в несколько бэкендов. Для неоднозначного запроса falafel это дает и рестораны, и картинки.
- Деградация интерфейса — при слабом понимании запроса показывайте список из нескольких вариантов, при сильном добавляйте фильтры и карточки товаров.
Кому полезно: тем, кто строит RAG-поиск в продакшене и не знает, с какой техники начать.
Статья по теме
Главы
Ещё доклады: David Karam
Страница спикера →Создание метрик, которые действительно работают
AI Engineer World's Fair 2025
Похожие доклады
RAG в 2025 году: современное состояние и перспективы
AI Engineer World's Fair 2025
Близко по содержанию
Grep или embeddings? Агентный поиск по корпоративным документам
Близко по содержанию
Как довести RAG до production: поиск, оценка и анализ ошибок
AI Engineer Summit 2023
Близко по содержанию

