Гибридный RAG + Knowledge Graph
3 метода поиска × RRF-фузия — RAGAS faithfulness 0.91 на 200 вопросах по корпоративной документации (3K+ страниц)
Архитектор и единственный разработчик
2 мес · solo
- Python
- Qdrant
- Neo4j
- Sentence-Transformers
- RAGAS
- FastAPI
Knowledge OS — knowledge map (graph)
Развернуть разбор ↓
Что не работает
Корпоративная документация 3K+ страниц (техническая, бизнес, регуляторная). Vector search находит семантически похожие документы, но пропускает точные совпадения и связи между сущностями. На 200 контрольных вопросах чистый vector search давал RAGAS faithfulness 0.67.
Архитектурный подход
Три параллельных метода поиска: Vector (Qdrant HNSW), BM25 (точные совпадения), Knowledge Graph (Neo4j, связи между сущностями). Результаты объединяются через Reciprocal Rank Fusion (RRF). Качество измеряется через RAGAS eval на 200 вопросах с экспертной разметкой.
Архитектор и единственный разработчик
Спроектировал и реализовал с нуля полную RAG-систему: выбор и настройка Qdrant HNSW, граф знаний в Neo4j с entity resolution, BM25 индекс, RRF-фузия с подбором весов. Провёл RAGAS eval на 200 контрольных вопросах. Внедрил как внутренний инструмент для работы с корпоративной документацией.