rag.

rag.

Как мы научили LLMCOD собирать базу знаний не только из HTML, но и из SPA и открытых API

Обычно задача «создать базу знаний из сайта» звучит просто: взять HTML, извлечь текст, разбить его на фрагменты, построить embeddings и отправить всё в RAG.На современных сайтах этот подход всё чаще перестаёт работать.Главная причина — сайт может практически не содержать данных в исходном HTML. Пользователь открывает страницу, браузер загружает JavaScript, JavaScript обращается к API, а уже API возвращает услуги, товары, объекты, статьи, цены и другие данные.Именно с такой проблемой мы столкнулись при разработке новой возможности в LLMCOD.

продолжить чтение

От готовых реплик к контекстной памяти: как эволюционировали AI‑чаты

В первой части статьи мы рассказывали об эволюции поисковых систем. Теперь перейдем к технологиям, благодаря которым AI‑чаты получили свои нынешние возможности. Если основная задача классического поисковика — найти и ранжировать существующие документы, то AI‑чат должен сформировать ответ с учетом запроса и контекста разговора.

продолжить чтение

Как я научил LLM читать чужую кодовую базу, вместо того чтобы галлюцинировать API

Разбор архитектуры ИИ-агента для статического анализа кода: локальный индекс на SQLite, 71 инструмент, цикл tool-calling на 30 ходов и валидаторы, которые мы написали и сами же сняли, потому что они ложно срабатывали на валидных файлах.

продолжить чтение

Почему RAG не умеет в Excel

Треть нашей базы знаний лежит в выгрузках Excel, и на них ИИ-ассистент отвечает хуже всего. Разбираем, что теряется по дороге от ячейки до индекса.Вопрос, на который ассистент не отвечаетУ нас внутренний помощник по методологии. Он ищет по базе из нескольких сотен документов: регламенты в PDF, презентации, записки и примерно треть корпуса в Excel. Справочники категорий, прайс-листы, списки контрагентов. Всё это мы порезали на куски и сложили в векторный индекс, тридцать пять тысяч кусков.Сотрудник спрашивает: «Является ли Северянка нашим партнёром?»

продолжить чтение

SRX: восстановить нужный фрагмент и проверить его

Что происходит, когда AI‑системе нужно ответить не только «что я помню?», но и показать, какой именно исторический источник подтверждает ответ?В SRX я экспериментирую с другим подходом к длинной истории: вместо передачи модели всего накопленного контекста система сначала находит нужную версию данных, восстанавливает её и проверяет по исходному источнику. Только после этого результат можно отдавать LLM для интерпретации.Почему обычного поиска недостаточноПредставим, что параметр database.pool_size менялся так:

продолжить чтение

RAG умер, да здравствует RAG: история одного Reranker и как мы оживили нейропоиск среди 35 000 страниц

Привет, Хабр! На связи Саша Михеев, ML-инженер Центра гибридного интеллекта в Рунити. В

продолжить чтение

Семантический слой на TypeDB: как уйти от паутины SQL-джойнов к декларативной модели данных

Кратко (TL; DR):

продолжить чтение

ИИ спотыкается не об ум, а об контекст: как генератор майндмап превратился в RAG по продукту

продолжить чтение

Как мы сделали универсальный ИИ-инструмент, который может создавать сам себя

Когда в компании заходит речь об ИИ-ассистенте для сотрудников, чаще всего выбирают из двух не очень удачных вариантов. Либо сотрудники уходят на личные подписки вроде ChatGPT — и рабочие данные утекают за периметр компании. Либо заводят корпоративного ассистента, который безопасен, но умеет только отвечать текстом: в отличие от прогрессивных моделей в веб-интерфейсе, он не может залезть в данные системы и внести в них реальные изменения.На GenAI-платформе SimpleOne

продолжить чтение

Собираем приватный RAG-стек на pgvector

Приватный RAG-стек на pgvector помогает отвечать на вопросы по внутренним документам. Поиск подбирает отрывки, а языковая модель составляет по ним ответ. Например, сотрудник узнаёт порядок восстановления доступа и проверяет его по исходной инструкции.

продолжить чтение

123456...1020...53