Production RAG — это не просто разбиение документов на фрагменты, создание эмбеддингов и передача найденного контекста в промпт. В реальном приложении RAG-система должна работать с PDF, сканами, изображениями, правами доступа, метаданными, несколькими хранилищами, очередями, фоновой обработкой, гибридным поиском и AI-агентами. На этом практическом курсе вы разберёте, как проектировать RAG-конвейер, готовый к продакшену, и интегрировать его в полноценное приложение.
О курсе
Курс посвящён разработке production-ready RAG-систем: от архитектуры загрузки и обработки документов до поиска релевантного контекста и подключения RAG к разговорному AI-агенту. Вы узнаете, какие решения важны при переходе от прототипа в нотбуке к надёжной системе, которую можно поддерживать, масштабировать и отлаживать.
Основной фокус курса — практическое проектирование RAG-пайплайна для реальных документов и реального пользовательского workflow: загрузка файлов, хранение, фоновая обработка, chunking, индексация, retrieval, фильтрация по метаданным и генерация ответа с учётом найденного контекста.
Кому подойдёт курс
- Разработчикам, которые уже знакомы с базовыми принципами RAG и хотят перейти к production-архитектуре.
- ML- и AI-инженерам, проектирующим системы поиска по документам, базы знаний и AI-ассистентов.
- Backend-разработчикам, которым нужно интегрировать RAG с базой данных, файловым хранилищем, очередями и worker'ами.
- Техническим лидам и архитекторам, выбирающим подходы к хранению, индексации, обновлению и поиску данных.
Чему вы научитесь
1. Переходить от простого RAG к Production RAG
Вы разберётесь, что меняется при переходе от демонстрационного прототипа к RAG-системе, готовой к использованию в продукте:
- Обрабатывать реальные документы: PDF, сканы, изображения и другие неструктурированные файлы.
- Использовать OCR там, где текст нельзя извлечь напрямую.
- Добавлять и применять метаданные: источник, временные метки, тип документа, теги, права доступа и другие атрибуты.
- Проектировать поиск с учётом ограничений доступа, чтобы пользователь получал ответы только на основе разрешённых данных.
- Понимать, почему production RAG требует отдельной архитектуры, а не только набора вызовов к LLM и vector store.
2. Проектировать retrieval и поиск по документам
Курс поможет разобраться, как повысить качество поиска и управлять компромиссом между точностью, полнотой, скоростью и стоимостью:
- Применять фильтрацию по метаданным для сужения области поиска и повышения релевантности результатов.
- Использовать гибридный поиск, объединяющий keyword search и vector search.
- Понимать, когда гибридный поиск эффективнее чистого векторного поиска.
- Использовать обработку пользовательского запроса: self-query, query expansion и постобработку найденных результатов.
- Оценивать влияние retrieval-стратегии на качество ответа AI-агента.
3. Выбирать стратегию chunking
Правильное разбиение документов на чанки напрямую влияет на качество RAG-системы. На курсе вы разберёте:
- Фиксированный и семантический chunking.
- Использование overlap между фрагментами.
- Разбиение с учётом структуры документа: разделов, заголовков, таблиц и логических блоков.
- Влияние размера чанков на recall, latency и стоимость.
- Типичные ошибки при индексации длинных документов и баз знаний.
4. Интегрировать RAG с основной базой данных приложения
Вы научитесь разделять ответственность между реляционной базой данных, файловым хранилищем и векторным индексом:
- Определять, какие данные должны храниться в реляционной базе, а какие — в vector store.
- Проектировать модели для документов, чанков, эмбеддингов, метаданных и прав доступа.
- Поддерживать согласованность индекса при изменении исходного контента.
- Планировать переиндексацию и обновление данных.
- Разбирать сценарии, в которых документ обновляется, удаляется или становится недоступным пользователю.
5. Встраивать RAG в workflow продукта
Вы рассмотрите полную архитектуру: от загрузки файла пользователем до использования его содержимого AI-агентом.
- Пользователь загружает файл через frontend.
- Файл сохраняется в blob storage.
- Фоновый pipeline принимает файл в обработку через очередь и worker'ы, например Redis Workers.
- Асинхронно выполняются извлечение содержимого, OCR, chunking и обогащение метаданными.
- Обработанные данные индексируются и становятся доступны RAG-сервису.
- RAG интегрируется с основным разговорным AI-агентом, который использует найденный контекст при формировании ответа.
Практический результат
После курса вы будете понимать, как превратить простой RAG-прототип в надёжную production-систему. Вы сможете спроектировать архитектуру, в которой документы загружаются, обрабатываются, индексируются, обновляются и используются AI-агентом с учётом метаданных, прав доступа и качества поиска.
- Сформируете представление о production-архитектуре RAG-приложения.
- Поймёте, как связать RAG с базой данных, blob storage, очередями и worker'ами.
- Научитесь выбирать стратегии chunking, retrieval и обновления индекса.
- Разберётесь, как улучшать качество ответов через гибридный поиск и обработку запросов.
- Получите основу для разработки AI-ассистентов, корпоративных баз знаний и систем поиска по документам.
Что входит в курс
- 2 часа видеолекции с разбором архитектуры production RAG.
- 100 страниц подробной документации по ключевым концепциям и решениям.
- Слайды воркшопа для повторения материала и использования как справочника.
Предварительные знания
Курс рассчитан на средний уровень. Желательно понимать базовые принципы работы LLM, эмбеддингов, векторного поиска и backend-разработки. Если вы уже собирали простой RAG-прототип и хотите понять, как довести его до production-уровня, этот курс поможет систематизировать архитектурные решения.
Ключевые темы курса
- Production RAG и архитектура RAG-систем.
- Векторный поиск и гибридный retrieval.
- Chunking, OCR, обработка PDF и неструктурированных документов.
- Метаданные, фильтрация и права доступа.
- Интеграция с реляционной базой данных и vector store.
- Blob storage, очереди, Redis Workers и фоновая обработка.
- Интеграция RAG с разговорным AI-агентом.
