Настройка семантического поиска и реализации RAG (Retri

Настройка семантического поиска и реализации RAG (Retrieval-Augmented Generation) на базе Weaviate Кратко о проекте: Система self-hosted, все данные и вычисления — на серверах заказчика, без внешних API. Существуют отдельные пайплайны загрузки документов и хранения метаданных, от ML-специалиста требуется только реализация поиска и сборки ответа. Что нужно сделать: Обработка документов (обсуждаемо): — Извлекать текст из документов, разбивать его на смысловые фрагменты (чанки). — Генерировать эмбеддинги для каждого чанка с помощью локальных моделей. — Сохранять векторные представления в Weaviate, а метаинформацию о чанках (ID документа, абзац, привязка к странице wiki и т.п.) — в PostgreSQL. Реализация поиска: — При запросе выполнять поиск релевантных чанков в Weaviate. — Возвращать для генерации ответа не только текст, но и ссылку/ID на исходный документ или конкретный абзац. Сборка ответа (RAG): — Использовать LangChain (или альтернативу) для построения финального ответа на основе найденных чанков. — Ответ должен включать краткое цитирование первоисточника с точной ссылкой на источник. Оптимизация: — Подобрать оптимальную модель эмбеддингов (локальную) и параметры поиска. Стек и окружение: - Python - Weaviate - LangChain или аналог для RAG - sentence-transformers или другая локальная модель эмбеддингов Что ждем на выходе: - Документация по установке и настройке ML-модуля - Примеры запросов к модулю и формат ответов - Конфигуратор для выбора или дообучения локальных моделей эм