От RAG к RAG-агентам: полный курс по LLM-поиску

Про RAG сейчас говорят много, но большинство материалов останавливаются на базовом пайплайне: «разбей документы на чанки, посчитай эмбеддинги, найдиtop_k, передай в модель». Это работает на демо. На реальных вопросах — ломается.

Проблема не в том, что RAG «плохой». Проблема в том, что классический RAG — это фиксированный конвейер. Он всегда ищет, всегда передаёт найденное, никогда не проверяет, достаточно ли информации. На составных вопросах, на multi-hop задачах, на вопросах, ответа на которые в базе просто нет — он выдаёт шум или галлюцинацию. И вы даже не понимаете, где именно сломалось: в поиске или в генерации.

Этот курс ведёт вас от базового retrieval к агентным системам. Но не прыгает сразу в агентов. Сначала вы соберёте retrieval-пайплайн, который можно измерить. Разберётесь с чанкингом, эмбеддингами, гибридным поиском и reranking. Научитесь считать Recall@k, Precision@k, Faithfulness и Answer Relevancy. Запустите RAGAS и поймёте, что означают цифры. Зафиксируете baseline — точку отсчёта, которую любое усложнение должно побить.

А потом увидите, где классический RAG ломается. И только тогда добавите агентность: retrieval как инструмент, routing, multi-hop, Self-RAG. Научитесь считать стоимость каждого шага и выбирать архитектуру под задачу, а не по хайпу.