СреднийИнженерия
RAG и векторные базы данных
Полное руководство по Retrieval-Augmented Generation: от эмбеддингов и чанкинга до продакшн-RAG-пайплайнов с Pinecone, Qdrant, pgvector. Покрывает semantic search, hybrid search (BM25 + dense), reranking, evaluation (RAGAS) и паттерны для работы с документами, кодом и мультимодальными данными.
4модуля
12уроков
360 минобщее время
Разработчики, строящие поисковые и Q&A системы на LLMкому подходит
Модуль 1
Эмбеддинги и векторный поиск
Что такое эмбеддинги, как считается похожесть, какие модели выбрать и где хранить векторы.
Модуль 2
Чанкинг и препроцессинг
Как резать документы, загружать разные форматы и чистить данные перед индексацией.
Модуль 3
Продвинутый retrieval
Hybrid search, reranking и расширение запросов для сложных вопросов.
Модуль 4
RAG-пайплайн и оценка
Сквозной пайплайн, автоматическая оценка через RAGAS и продакшн-паттерны.