Post #1350

RAG: Подключаем AI чат к собственной базе знаний В этом уроке мы разбираем RAG (Retrieval-Augmented Generation) — подход, который позволяет большим языковым моделям отвечать на вопросы, опираясь не только на свои внутренние знания и системный промпт, но и на вашу собственную базу данных и документы. Если в предыдущих видео мы научились вызывать LLM из R, строить чат-интерфейсы и подключать инструменты, то здесь делаем следующий логичный шаг — подключаем модель к базе знаний. В уроке мы последовательно пройдём весь RAG-пайплайн на примере пакета ragnar: • разберём, что такое RAG и из каких этапов он состоит; • подготовим документы и разобьём их на фрагменты; • создадим эмбединги и запишем их в хранилище; • посмотрим, как устроен векторный и текстовый (VSS и BM25) поиск по базе знаний; • научимся проверять и отлаживать хранилище с помощью Ragnar Store Inspector; • подключим языковую модель к базе знаний; • соберём простой AI-чат с помощью пакета shinychat. В итоге у вас будет чёткое понимание, как в R реализовать полноценный RAG-подход — от документов до работающего AI-ассистента, который отвечает на вопросы на основе ваших данных. Тайм коды: 00:00 О чём это видео 01:54 Что такое RAG 06:02 Создание переменных среды для хранения API ключей 07:31 Подготовка документов 10:44 Разделение документа на фрагменты, эмбендинг и запись фрагментов в хранилище 22:24 Инструмент проверки хранилища Ragnar Store Inspector 24:05 VSS и BM25 поиск по хранилищу 31:13 Подключение LMM к базе знаний 35:08 Создаём интерфейс AI чата с помощью пакета shinychat 38:55 Резюмируем весь рассмотренный в видео материал 41:22 Заключение Ссылки: - Материалы к уроку #видео_уроки_по_R