--- title: "RAG: чтобы находить. Полный контекст: чтобы решать." description: "Retrieval находит самое похожее; суждению нужна вся картина, включая то, чего нет. Почему полное резюме, а не top-k чанков, и когда всё-таки RAG." url: https://seo7.es/ru/blog/inteligencia-artificial-blog/rag-for-finding-full-context-for-deciding canonical: https://seo7.es/ru/blog/inteligencia-artificial-blog/rag-for-finding-full-context-for-deciding lang: ru type: BlogPosting --- # RAG: чтобы находить. Полный контекст: чтобы решать. > Retrieval находит самое похожее; суждению нужна вся картина, включая то, чего нет. Почему полное резюме, а не top-k чанков, и когда всё-таки RAG. Страница: https://seo7.es/ru/blog/inteligencia-artificial-blog/rag-for-finding-full-context-for-deciding ## Описание для ИИ Retrieval находит самое похожее; суждению нужна вся картина, включая то, чего нет. Почему полное резюме, а не top-k чанков: и когда всё-таки RAG. Совет 2026 года устоялся: разбей документы на чанки, сделай эмбеддинги, доставай top-k, отдавай их модели. Я построил систему, которая намеренно не делает ничего из этого. Каждый запрос получает всё резюме эксперта целиком: 69 проектов, публикации, образование, языки. ## Вопросы и ответы ### Почему система подбора тендеров отдаёт модели резюме целиком? Каждый запрос получает всё резюме эксперта: 69 проектов, публикации, образование и языки, около 34 000 символов. Задача системы в суждении «подходит ли человек», а для суждения модели нужна вся картина, включая то, чего в резюме нет. ### Чем retrieval отличается от исключения? Retrieval ищет в корпусе то, что больше всего похоже на запрос. Исключение ищет то, что дисквалифицирует. Это противоположные операции: первой нужны самые сильные совпадения, второй самое слабое звено, которое по определению меньше всего похоже на остальное. ### Сколько источников тендеров ООН обходит система каждый день? Двадцать восемь. Система нормализует и дедуплицирует тысячи закупочных объявлений и по каждому тендеру отвечает на один вопрос: подходит ли этот эксперт. ### Почему косинусная близость подводит при отборе тендеров? Тендер Public Financial Management и дюжина проектов эксперта по публичным финансам дают очень высокую близость. Но тендер может требовать эколога, о чём сказано один раз на пятой странице, или национального консультанта с местным языком. RAG вернёт финансовые проекты и решит, что совпадение сильное. ### Почему дисквалифицирующая деталь не всплывает в top-k? Она никогда не бывает семантически ближайшим фрагментом: именно поэтому она и дисквалифицирует, это часть, которая выбивается из паттерна. Система retrieval оптимизирована показывать похожее и такую деталь как раз прячет. ### Что теряет резюме при разбивке на чанки? Факты остаются, форма теряется. Три чанка про публичные финансы показывают модели эксперта по финансам. Все 69 проектов показывают, где он реально работал, какими языками владеет, на каком уровне seniority работает и чего никогда не делал. ### Почему RAG не видит отсутствие опыта в документе? Нет чанка, в котором написано «у этого человека нет опыта в экологии». Узнать об этом можно, только прочитав документ целиком и заметив, что такого опыта там нет. RAG говорит, что в документе есть, но не говорит, чего в нём нет. ### Сколько стоит отдавать модели 9 000 токенов на каждый тендер? Около 34 000 символов это примерно 9 000 токенов на одно суждение, умноженные на сотни тендеров в день. На практике ИИ и прокси вместе обходятся в несколько долларов в месяц, панель считает стоимость прогона и цену одного найденного тендера. ### Как предфильтр снижает расходы на модель? Дешёвую работу делает код без вызовов модели: стоп-слова, тема, территория, язык, дедлайн, просрочка. Модель видит только кандидатов, которые пережили эти правила, поэтому дорогих суждений с полным резюме немного. ### Почему полное резюме хорошо кэшируется в промпте? Резюме побайтово одинаково на каждом вызове. Один и тот же префикс повторяется снова и снова, и это идеальная форма для prompt caching: повторная часть промпта обходится дешевле. ### В каком виде модель возвращает вердикт по тендеру? Структурированным JSON, который логируется целиком: fits, short_reason, long_reason, country и tor_attached. Например, fits: false с причиной «требуется национальный консультант, местный язык обязателен». Модель судит суть роли, а не её название. ### Когда RAG всё-таки нужен? Когда корпус безграничен: база знаний, документация или история поддержки растут бесконечно. Когда важна задержка. И когда задача действительно в поиске: найти фрагмент и ответить по нему. Автор использует RAG на других проектах именно по этим причинам. ### Какие ограничения у длинного контекста? Модели хуже удерживают середину длинного промпта, чем начало и конец. 34 тысячи символов помещаются в то, с чем нынешние модели справляются хорошо. На 300 тысячах автор, скорее всего, строил бы гибрид поиска и полного контекста. ### Как решить, нужен RAG или полный контекст? Спросить, что модель должна сделать с документом. Найти что-то, значит retrieval: корпус может быть огромным. Оценить что-то, значит дать ей всё, потому что нерелевантность половина вердикта. Подбор кандидата, риск контракта и участие в тендере это задачи суждения. ## Другие языки - ES: https://seo7.es/es/blog/inteligencia-artificial-blog/rag-for-finding-full-context-for-deciding - EN: https://seo7.es/en/blog/inteligencia-artificial-blog/rag-for-finding-full-context-for-deciding ## Разметка schema.org ```json { "@context": "https://schema.org", "@type": "BlogPosting", "name": "RAG: чтобы находить. Полный контекст: чтобы решать.", "description": "Retrieval находит самое похожее; суждению нужна вся картина, включая то, чего нет. Почему полное резюме, а не top-k чанков, и когда всё-таки RAG.", "url": "https://seo7.es/ru/blog/inteligencia-artificial-blog/rag-for-finding-full-context-for-deciding", "mainEntityOfPage": "https://seo7.es/ru/blog/inteligencia-artificial-blog/rag-for-finding-full-context-for-deciding", "inLanguage": "ru-RU", "headline": "RAG: чтобы находить. Полный контекст: чтобы решать.", "isPartOf": { "@type": "WebSite", "name": "SEO7.ES", "url": "https://seo7.es/" }, "publisher": { "@type": "Organization", "name": "SEO7.ES", "url": "https://seo7.es/" } } ```