Хаб курсов / Курс по RAG
RAG Engineering: от мини-RAG до production
Курс для тех, кто доводит поиск по документам до рабочего сервиса, а не останавливается на демо. Каждый слой разбирается руками: чанки, эмбеддинги, гибридный поиск, реранкинг, eval, MCP и прод. Все скрипты работают без API-ключей, каждый модуль заканчивается лабораторной и критерием готовности.
Модуль 00: нужен ли тебе RAG и ландшафт стеков
Разбираемся, когда RAG действительно нужен, а когда хватит длинного контекста или BM25, и выбираем стек хранения: Qdrant, pgvector, LanceDB, sqlite-vec.
Модуль 01: мини-RAG руками, без фреймворков
Пишем мини-RAG на чистом Python: эмбеддинги, косинусное сходство, top-k и ответ с цитатами. Полный скрипт без фреймворков, запускается оффлайн.
Модуль 02: векторные БД, Qdrant и pgvector
Векторные БД без магии: как устроен HNSW, зачем payload-фильтры, чем отличаются Qdrant и pgvector и как организовать мультитенантность.
Модуль 03: чанкинг и золотой набор для eval
Нарезаем документы на чанки: fixed, recursive, semantic и parent-child. Замеряем влияние стратегии на recall и собираем золотой набор вопросов.
Модуль 04: гибридный поиск, BM25, dense и RRF
Строим гибридный поиск: BM25 для точных терминов, dense для смысла, слияние через RRF. Сценарий, где плотный поиск даёт ноль, а гибрид находит документ.
Модуль 05: реранкинг cross-encoder поверх гибрида
Добавляем cross-encoder реранкинг поверх гибрида: как он поднимает точность верхних позиций и сколько стоит в миллисекундах.
Модуль 06: оценка качества и eval в CI
Оцениваем качество RAG числами: recall@k, MRR и nDCG на золотом наборе, свой eval-раннер и гейт в CI, который ловит регресс до выкладки.
Модуль 07: паттерны HyDE, multi-hop, CRAG, GraphRAG
HyDE, multi-hop, Corrective RAG и GraphRAG по одной схеме: что решает, сколько стоит и когда паттерн оверкилл.
Модуль 08: agentic RAG и MCP-сервер базы знаний
Превращаем поиск в MCP-сервер базы знаний: инструменты search и get_document и agentic RAG, где модель сама решает, когда искать.
Модуль 09: production-сервис на FastAPI
Поднимаем RAG как сервис: FastAPI со стримингом, кэш, права доступа фильтром на уровне поиска, деградацию на BM25 и контроль p95.
Модуль 10: федеративный RAG, поиск по многим источникам
Соединяем коннекторы с health-проверками и provenance каждого фрагмента: координатор спрашивает все источники, сливает выдачу и деградирует на упавших.
Финальный проект: production-ready RAG с цитатами
Собираем всё: RAG с цитатами, золотой набор от 30 вопросов, eval одной командой и приёмка по чеклисту.
Обновления курса
Курс пересматривается каждый месяц: новые модели, стеки и подходы проверяются против материала, при изменениях версия в репозитории поднимается. Следить за обновлениями: Watch → Custom → Releases в репозитории или RSS-лента https://github.com/NikolayGusev-astra/rag-courses/releases.atom. Полная инструкция: SUBSCRIBE.md.