RAG на античных книгах: что реально влияет на качество — цифры и опыт

Автор — фронтенд-разработчик из М2 Tech — построил RAG-систему поверх 62 книг по античной истории и прогнал все проектные решения через фиксированный тестовый набор. Цель: показать, что между «десятиминутными туториалами» и «научными статьями» есть практическая середина, подкреплённая реальными цифрами.

Ключевые выводы: для доверия к RAG важны не маркетинговые обещания фреймворков, а несколько базовых вещей — качество чанков, стратегия эмбеддингов и выбор ретривера. Автор утверждает, что для построения такой системы не нужно знать ML: достаточно уметь писать REST API и делать запросы к PostgreSQL.

Статья будет полезна всем, кто хочет разобраться в RAG глубже, чем «взял LangChain — и забыл», и получить проверенные на практике критерии для оценки качества своей системы.