Гибридный поиск в RAG | BM25 + векторы дают +10% качества в N8N скачать в хорошем качестве

Гибридный поиск в RAG | BM25 + векторы дают +10% качества в N8N

🔥 ПОЛЕЗНЫЕ ССЫЛКИ: 📱 Бесплатный Telegram-канал — секреты AI-разработки, вайб-кодинг и проверенные инструменты, которые помогают создавать проекты в 5–10 раз быстрее обычного кодинга: https://t.me/+rxyvw0zbFo1kYWIy 💡 Присоединяйтесь к закрытому AI-клубу, чтобы получать: • Готовые рабочие воркфлоу и автоматизации • Разборы AI-инструментов с практикой • Комьюнити для поиска партнеров и заказов • Еженедельные эфиры с участниками Ссылка на вход в клуб - https://tg.pulse.is/VibeAISchoolBot?s... 📸 Instagram:   / timur.yessenov   В этом видео показываю, как решить главную проблему RAG-систем - галлюцинации и плохое качество поиска! Демонстрирую гибридный поиск, который комбинирует векторный поиск с поиском по ключевым словам (BM25). Пошагово разбираю workflow в N8N, где каждый документ получает ДВА типа векторов - плотные и разряженные. Показываю результаты A/B тестирования: гибридный поиск с контекстуализацией дает прирост качества на 10.2%! Таймкоды: 00:00 - Проблема RAG-систем: галлюцинации и плохой поиск 00:25 - Решение: гибридный поиск (векторы + BM25) 01:23 - Обзор workflow в N8N для двух типов векторов 02:20 - Плотные vs разряженные векторы: в чем разница 02:52 - Контекстуализация чанков через LLM 04:19 - Алгоритм BM25: особенности и настройка 05:00 - Подсчет средней длины документов для BM25 06:00 - Создание коллекции в Qdrant с двумя типами векторов 07:15 - OpenAI эмбеддинги vs локальная BM25 модель 08:20 - Настройка Fusion RRF поиска в Qdrant 09:01 - A/B тестирование: методология и подготовка 10:13 - Результаты тестов: без контекстуализации 12:00 - Результаты с контекстуализацией: +10.2% качества! 13:15 - Детальный анализ улучшений по чанкам 15:00 - Где контекстуализация дала максимальный прирост 17:00 - Дополнительные способы улучшения RAG 18:18 - Графовые базы vs гибридный поиск 19:00 - Практические рекомендации и выводы