{"id":"post:hybrid-search-rag","type":"post","title":"Гибридный поиск для RAG: как «ноги» усиливают друг друга","url":"/posts/hybrid-search-rag","md":"/posts/hybrid-search-rag.md","summary":"Векторный и лексический поиск, граф знаний и LLM-реранкер в одной связке: nDCG@10 на эталонном наборе вырос с 0.756 до 0.813, а ответ ускорился с 7.7 до 1.3 с.","llm_summary":"Первая статья цикла «RAG в проде». Поиск RAG-ассистента по корпоративной базе знаний на русском (38 тыс. вики-страниц, 600 тыс. карточек реестра) построен из независимых «ног»: векторной (HNSW), лексической (RUM), графа знаний и двухпроходного реранкера Qwen3-Reranker-4B. Абляции показывают, что ноги дополняют друг друга: вектор держит топ-10, лексика и граф наполняют глубокий пул. Итог: nDCG@10 0.756 → 0.813, key-doc R@10 0.647 → 0.755, задержка p50 7.7 → 1.3 с. Разобраны RRF по спискам источников, переход с кросс-энкодера на декодерный реранкер (KV-кэш, FP8) и порядок «сначала состав, потом порядок» в хвосте ранжирования.","domains":["ai","architecture"],"tags":["rag","search","reranking","knowledge-graph"],"date":"2026-10-25T09:00:00+03:00"}