# Архітектура RAG і інтер 'єри: Як вона дійсно працює

В [Частина 1](/blog/rag-primer), ми розглянули RAG, ' про походження, основи, і чому це важливо. Ви розумієте концепцію високого рівня- МSK6 отримати важливу інформацію, потім використати її для генерації відповідей. Зараз ми занурюємось глибоко в технічну архітектуру— точно, як RAG системи працюють під капюшоном, від стратегії групування до інтерфейсів LLM, таких як टोकони та кві-キャッシュи.

<datetime class="hidden">2025-11-22T09:30</datetime>

<!-- category -- AI, RAG, Machine Learning, Semantic Search, LLM, AI-Article -->
# Введение

**Навігація серії 📖** Це частина 2 серії RAG МSK1

- [Частина 1: Походження та основи](/blog/rag-primer) - ІсторіяM SK1 мотивація, та основні концепції
- **Частина 2: Архітектура та внутрішні** ( цей artykułM SK1 - Технический глибокий подив на те, як працює RAG
- [Частина 3: RAG в практиці](/blog/rag-practical-applications) - Збудування реальних систем , виклики МSK2 та передові технології
- [Частина 4aM SK1 ONNX & Гарантійне вdrożenie](/blog/semantic-search-with-onnx-and-qdrant) - Процесор - приємна база семантичного пошуку
- [Частина 4bM SK1 Семантичний пошук в дії](/blog/semantic-search-in-action) - Типова головка , гібридні пошуки МSK2 і інтерфейс
- [Частина 5: Гібридне пошук МSK1 АвтоM SK2 Індексування](/blog/rag-hybrid-search-and-indexing) - Моделі інтеграції виробництва
- [Частина 6: GraphRAG](/blog/graphrag-knowledge-graphs-for-rag) - Графи знань для корису -зрозуміння рівня

Якщо ви не читали частини ', я рекомендую починати з них, щоб зрозуміти

- Що таке РАГ і чому він важливий
- Історія від пошуку ключів до семантичного розуміння
- RAG проти fine-tuning та інших підходів

Ця стаття передбачає, що ви розумієте ці основи і зосереджуєтесь на **технічна архітектура, деталі розробкиM SK1 і інтерфейси LLM**.

[TOC]

# Як працює RAG: Це повне зображення

Дозвольте розібратися, що відбувається в РАГ-системі з того моменту, коли ви додаєте до нього документ і отримуєте відповідь

## Фаза МСК0 Індексування МСК1 Подготовка бази знань )

Перед тим, як RAG зможе отримати будь-що, вам потрібно indeksувати свою базу знаньM SK1 Це одинMSC2часовий процес ( хоча ви можете додавати нові документи пізніше ).

```mermaid
flowchart TB
    A[Source Documents] -->|1. Extract Text| B[Text Extraction]
    B -->|2. Split into Chunks| C[Chunking Service]
    C -->|3. Generate Embeddings| D[Embedding Model]
    D -->|4. Store Vectors| E[Vector Database]

    B -.Metadata.-> E

    subgraph "Example: Blog Post"
        F["Understanding Docker: A containerization platform..."]
    end

    subgraph "Chunks"
        G["Chunk 1: Title + Intro"]
        H["Chunk 2: Benefits Section"]
    end

    subgraph "Embeddings"
        I["0.234, 0.891, 0.567, ..."]
        J["0.445, 0.123, 0.789, ..."]
    end

    F --> G
    F --> H
    G --> I
    H --> J

    style D stroke:#f9f,stroke-width:2px
    style E stroke:#bbf,stroke-width:2px
```

### Шаг 1: Видобуток tekstu

Візьміть простий текст з ваших джерельних документів. Це могло б бути

- Файлі відмітки (подібні до моїх блогових постів
- PDF (для документаціїM SK1
- HTML ( для веб-шкрапування)
- Дані з бази даних
- E-mailи, журнали чатівM SK1 і т.д.

**Ось приклад з мого блогу:**

```csharp
// From MarkdownRenderingService
public string ExtractPlainText(string markdown)
{
    // Remove code blocks
    var withoutCode = Regex.Replace(markdown, @"```[\s\S]*?```", "");

    // Convert markdown to plain text
    var document = Markdown.Parse(withoutCode);
    var plainText = document.ToPlainText();

    return plainText.Trim();
}
```

### Шаг 2:

Це місце, де більшість RAG-implementацій провалюються. Ви можете' не розділятися лише на кордони абзаців M SK2 вам потрібні семантично послідовні фрагментиMSC3

**Чому відокремлення має значення:**

- LLM мають обмеження символів (контекстні вікнаM SK1
- Менькі шматочки = більш точне відтворення
- Але шматки повинні мати достатньо контексту, щоб бути змістовними

**Погане відрізання:**

```
Chunk 1: "Docker is a containerization platform. It allows you"
Chunk 2: "to package applications with their dependencies. This"
Chunk 3: "ensures consistency across environments."
```

**Хороший шматок:**

```
Chunk 1: "Docker is a containerization platform. It allows you to package applications with their dependencies. This ensures consistency across environments."

Chunk 2: "Benefits of Docker:
- Isolation: Each container runs in its own environment
- Portability: Containers run anywhere Docker is installed
- Efficiency: Lightweight compared to virtual machines"
```

**Ось приклад із моєї семантичного пошуку:**

```csharp
public class TextChunker
{
    private const int TargetChunkSize = 500; // ~500 words
    private const int ChunkOverlap = 50;     // 50 words overlap

    public List<Chunk> ChunkDocument(string text, string sourceId)
    {
        var chunks = new List<Chunk>();

        // Split on section boundaries first (## headers in markdown)
        var sections = SplitOnHeaders(text);

        foreach (var section in sections)
        {
            // If section is small enough, keep it whole
            if (section.WordCount < TargetChunkSize)
            {
                chunks.Add(new Chunk
                {
                    Text = section.Text,
                    SourceId = sourceId,
                    SectionHeader = section.Header
                });
            }
            else
            {
                // Split large sections on sentence boundaries
                var subChunks = SplitOnSentences(section.Text, TargetChunkSize, ChunkOverlap);
                chunks.AddRange(subChunks.Select(c => new Chunk
                {
                    Text = c,
                    SourceId = sourceId,
                    SectionHeader = section.Header
                }));
            }
        }

        return chunks;
    }
}
```

**Bendrі стратегії відокремлення:**

- **Фиксований- розмір**: Просте, але руйнує семантичні межі
- **Sentence-based**: Поважає граматику, але може бути надто малим
- **Paragraph-based**: Природний, але змінний розмір
- **Розділ-на основі**: Найкраще для структурованого контенту ( моя перевага
- **Sliding window with overlap**: Обіцяє, що на кордонах не втрачається жодний контекст

### Шаг 3: генерувати додатки

Вбудова - це магія, яка робить можливим семантичний пошук.

**Ключева концепція:** Схожі значення → подібні вектори

```
"Docker container" → [0.234, -0.891, 0.567, ..., 0.123]
"containerization platform" → [0.221, -0.903, 0.534, ..., 0.119]
"apple fruit" → [0.891, 0.234, -0.567, ..., -0.789]
```

Перші два вектори будуть: "закритий " у векторному просторі МSK2велика схожість косину МSK3, тоді як третій дуже далекий

**Як генерується вбудова:**
Нові вбудовані моделі - це нейронні мережі, навчені вивчати семантичні відносини на масивних текстових наборах даних.

- **всіМSK0MiniLM-LM SK2v2**МСК0 384 виміри МSK2 швидке , хороша якість МСК4 те, що я використовую на цьому блогі
- **текст-введення-3-маленький** (OpenAI): 1536 виміриM SK3 дуже висока якість
- **База**МSK0 768 виміриM SK2 стан-зMSC4з-арт відкритий вихідний код

**До прикладу з моєї OnNX вбудованої usługi:**

```csharp
public async Task<float[]> GenerateEmbeddingAsync(string text)
{
    // Tokenize the input text
    var tokens = Tokenize(text);

    // Create input tensors for ONNX model
    var inputIds = CreateInputTensor(tokens);
    var attentionMask = CreateAttentionMaskTensor(tokens.Length);
    var tokenTypeIds = CreateTokenTypeIdsTensor(tokens.Length);

    // Run ONNX inference
    var inputs = new List<NamedOnnxValue>
    {
        NamedOnnxValue.CreateFromTensor("input_ids", inputIds),
        NamedOnnxValue.CreateFromTensor("attention_mask", attentionMask),
        NamedOnnxValue.CreateFromTensor("token_type_ids", tokenTypeIds)
    };

    using var results = _session.Run(inputs);

    // Extract the output (sentence embedding)
    var output = results.First().AsTensor<float>();
    var embedding = output.ToArray();

    // L2 normalize the vector for cosine similarity
    return NormalizeVector(embedding);
}
```

**Чому нормальність важлива:** Після об 'єднання L2 звичайності , схожість косину перетворюється на простий дотиковий продукт МSK2, що робить пошук набагато швидшим

### Шаг 4: Поміщати в векторній базі даних

Вektorні бази даних оптимізовані для зберігання та пошуку високого рівня векторів.

**Ключові операції:**

- **Помістити**: Додайте або оновлюйте вектор з метаданками
- **Поиск**: Найти вektorи K, що найбільш подібні до вектора запиту
- **Фильтр**: Об 'єднати векторний пошук з метаданними

**Наприклад, Implementation Qdrant:**

```csharp
public async Task IndexDocumentAsync(
    string id,
    float[] embedding,
    Dictionary<string, object> metadata)
{
    var point = new PointStruct
    {
        Id = new PointId { Uuid = id },
        Vectors = embedding,
        Payload =
        {
            ["title"] = metadata["title"],
            ["source"] = metadata["source"],
            ["chunk_index"] = metadata["chunk_index"],
            ["created_at"] = DateTime.UtcNow.ToString("O")
        }
    };

    await _client.UpsertAsync(
        collectionName: "blog_posts",
        points: new[] { point }
    );
}
```

**Найпопулярніші векторні бази даних:**

- **Кдрант**: швидкий , самодостатній МSK2 приватний МSK3 чудовий C мSK4 підтримка M( мій вибір МСК6
- **pgvector**: Расширення PostgreSQL
- **Pinecone**: Управляемая служба МSK1 дорогі, але хорошіM SK2
- **Вов 'язати**: ФункціяM SK1багато, добре для складних схем
- **ХromaDB**: Python-фокусованийM SK2 легкий

Ми ' дослідимо створення цих баз даних у майбутніх статтях .

## Фаза 2: Діагностика МSK1Винайти важливу інформаціюM SK2

Коли пользователь задає питання, система RAG має знайти найсучаснішу інформацію з бази знань.

```mermaid
flowchart LR
    A["User Query:<br/>'How do I use Docker Compose?'"] --> B[Generate Query Embedding]
    B --> C["Query Vector:<br/>[0.445, -0.123, ...]"]
    C --> D[Vector Search]
    D --> E[Vector Database]
    E --> F[Top K Similar Chunks]
    F --> G["Results:<br/>1. Docker Compose Basics 0.92<br/>2. Multi-Container Setup 0.87<br/>3. Service Configuration 0.83"]

    style B stroke:#f9f,stroke-width:3px
    style D stroke:#bbf,stroke-width:3px
```

### Шаг 1: генерувати вбудова питання

Питання користувача' конвертується в вектор, використовуючи **одна і та сама модель вмонтування** використовується для індексування. Це критично M SK1 різні моделі виробляють неповносправні вектори.

```csharp
public async Task<List<SearchResult>> SearchAsync(string query, int limit = 10)
{
    // Same embedding model used for indexing
    var queryEmbedding = await _embeddingService.GenerateEmbeddingAsync(query);

    // Search in vector store
    var results = await _vectorStoreService.SearchAsync(
        queryEmbedding,
        limit
    );

    return results;
}
```

### Шаг 2: Поиск схожості

Вektorна база даних обчислює схожість між вектором запиту та усіми збереженими векторами.

**Схожість косину** (самій популярний для стандартизованих векторівM SK1

```
similarity = (A · B) / (||A|| × ||B||)
```

Різниця: : -1 до МSK2 МSK3

**Евклидська відстань** ( для ненормальних векторів

```
distance = sqrt(Σ(Ai - Bi)²)
```

Різниця: M SK1 до ∞ ♫ ♫ МSK3 ♫ нижче ♫ = ♫ більш схожа ♫) ♫

**Продукт крапки** ( коли вектори є передідущими МSK1нормалізовані МSK2

```
similarity = A · B
```

Різниця: : -1 до МSK2 МSK3

**Ось приклад мого сервісу Qdrant.**

```csharp
var searchResults = await _client.SearchAsync(
    collectionName: "blog_posts",
    vector: queryEmbedding,
    limit: (ulong)limit,
    scoreThreshold: 0.7f,  // Only return results with >70% similarity
    payloadSelector: true   // Include all metadata
);

return searchResults.Select(hit => new SearchResult
{
    Text = hit.Payload["text"].StringValue,
    Title = hit.Payload["title"].StringValue,
    Score = hit.Score,
    Source = hit.Payload["source"].StringValue
}).ToList();
```

### Шаг 3: Перетягування (Optional but Recommended)

Початкове відтворення швидке, але приблизне. Переrankування використовує більш складну модель, щоб оцінити верхні результати KM SK1

```mermaid
flowchart LR
    A[Vector Search:<br/>Top 50 Results] --> B[Reranking Model]
    B --> C[Reranked:<br/>Top 10 Results]

    style B stroke:#f9f,stroke-width:3px
```

**Чому переоцінювання допомагає:**

- Швидкі моделі вмонтування оптимізуються для швидкості,, при цьому втрачаючи певну точність
- Моделі переrankування повільніші, але більш точні
- Двоє кроків на рівні - збалансують швидкість та якість

**До прикладу - переоцінювання.**

```csharp
public async Task<List<SearchResult>> SearchWithRerankAsync(
    string query,
    int initialLimit = 50,
    int finalLimit = 10)
{
    // Stage 1: Fast vector search
    var candidates = await SearchAsync(query, initialLimit);

    // Stage 2: Precise reranking
    var rerankedResults = await _rerankingService.RerankAsync(
        query,
        candidates
    );

    return rerankedResults.Take(finalLimit).ToList();
}
```

## Фаза 3: генерація МSK1 створення відповіді МSK2

Тепер, коли ми маємо важливу інформацію, ми додаємо її до LLM разом з питанням користувача

```mermaid
flowchart TB
    A[User Query] --> B[Retrieved Context 1]
    A --> C[Retrieved Context 2]
    A --> D[Retrieved Context 3]

    B --> E[Construct Prompt]
    C --> E
    D --> E
    A --> E

    E --> F["System: You are a helpful assistant...\n\nContext:\n1. Docker Compose allows...\n2. Services are defined...\n3. Volumes persist data...\n\nQuestion: How do I use Docker Compose?\n\nAnswer:"]

    F --> G[LLM]
    G --> H[Generated Answer with Citations]

    style E stroke:#f9f,stroke-width:2px
    style G stroke:#bbf,stroke-width:2px
```

### Шаг 1: Проста конструкція

Тут RAG стає артом. Потрібно структурувати про prompt так, щоб LLM

- Використовує наданий контекст (не його внутрішні знанняM SK1
- Виражає джерела, коли це можливо
- Визначає, коли контекст не містить відповіді
- Утримує послідовний тон

**Наприклад, шаблон прохання від моєї адвокатської системи GPT:**

```csharp
public string BuildRAGPrompt(string query, List<SearchResult> context)
{
    var sb = new StringBuilder();

    sb.AppendLine("You are a technical writing assistant. Your task is to answer the user's question using ONLY the provided context from past blog posts.");
    sb.AppendLine();
    sb.AppendLine("CONTEXT:");
    sb.AppendLine("========");

    for (int i = 0; i < context.Count; i++)
    {
        sb.AppendLine($"[{i + 1}] {context[i].Title}");
        sb.AppendLine($"Source: {context[i].Source}");
        sb.AppendLine($"Content: {context[i].Text}");
        sb.AppendLine($"Relevance: {context[i].Score:P0}");
        sb.AppendLine();
    }

    sb.AppendLine("========");
    sb.AppendLine();
    sb.AppendLine("INSTRUCTIONS:");
    sb.AppendLine("- Answer the question using the provided context");
    sb.AppendLine("- Cite sources using [1], [2], etc.");
    sb.AppendLine("- If the context doesn't contain enough information, say so");
    sb.AppendLine("- Maintain the technical, practical tone of the blog");
    sb.AppendLine();
    sb.AppendLine($"QUESTION: {query}");
    sb.AppendLine();
    sb.AppendLine("ANSWER:");

    return sb.ToString();
}
```

### Шаг 2: LLM Інференція

Сконструйований про prompt переходить до LLM для генерації. Це може бути

- **Хмарний API**: OpenAI, Anthropic ClaudeM SK2 Google PaLM
- **Локальна модель**: Використовуючи ламу

**Наприклад, локальний LLM:**

```csharp
public async Task<string> GenerateResponseAsync(string prompt)
{
    var result = await _llamaSharp.InferAsync(prompt, new InferenceParams
    {
        Temperature = 0.7f,      // Creativity (0 = deterministic, 1 = creative)
        TopP = 0.9f,             // Nucleus sampling
        MaxTokens = 500,         // Response length limit
        StopSequences = new[] { "\n\n", "User:", "Question:" }
    });

    return result.Text.Trim();
}
```

**Пояснення ключових параметрів:**

- **Температура**: Kontrolує випадковість МSK1 МSK2 завжди вибирає найбільш ймовірнісіньку вибірку
- **Верхня П**: Зразок နлюсу - розглядає лише символи, що складають верхню масу ймовірності P
- **Максимальні символи**: Длина реагування
- **Запинити послідовності**: Коли припинити генерувати

### Шаг 3: Пост МSK1 Процедура

Після того, як LLM генерує відповідь, нам часто потрібноM SK1

- Витягніть цитати і перетворіть їх на посилання
- Блоки коду
- Додайте метадані (источникиM SK1 показники довіриМSK2
- Зареєструвати взаємодію для виправлення

**Наприклад, пост-обробкаM SK1**

```csharp
public RAGResponse PostProcess(string llmOutput, List<SearchResult> sources)
{
    var response = new RAGResponse
    {
        Answer = llmOutput,
        Sources = new List<Source>()
    };

    // Extract citations like [1], [2]
    var citations = Regex.Matches(llmOutput, @"\[(\d+)\]");

    foreach (Match match in citations)
    {
        int index = int.Parse(match.Groups[1].Value) - 1;
        if (index >= 0 && index < sources.Count)
        {
            var source = sources[index];
            response.Sources.Add(new Source
            {
                Title = source.Title,
                Url = GenerateUrl(source.Source),
                RelevanceScore = source.Score
            });
        }
    }

    // Convert markdown citations to hyperlinks
    response.FormattedAnswer = Regex.Replace(
        llmOutput,
        @"\[(\d+)\]",
        m => {
            int index = int.Parse(m.Groups[1].Value) - 1;
            if (index >= 0 && index < sources.Count)
            {
                var url = GenerateUrl(sources[index].Source);
                return $"[[{m.Groups[1].Value}]]({url})";
            }
            return m.Value;
        }
    );

    return response;
}
```

# Усвідомлення інтерфейсу LLM: Tokens, KV CacheM SK2 і контексту Windows

Перед тим, як перейти до практичних застосувань, це ' важливе зрозуміти, як LLM працюють всередині

## Що таке टोकони?

Торки - це фундаментальні одиниці, які обробляють LLMs.

**Наприклад, символізація:**

```
Input:  "Understanding Docker containers"
Tokens: ["Under", "standing", " Docker", " containers"]
```

Різні моделі використовують різні стратегії маркування:

- **Моделі GPT**: Використовуйте ByteM SK1Encoding pair (BPE) з словником МSK4K
- **Клойд**: Схожий підхід BPE
- **Леламські моделі**: Значення SentencePiece

**Чому символізація важлива для RAG:**

```csharp
public class TokenCounter
{
    // Rough approximation: 1 token ≈ 0.75 words (English)
    public int EstimateTokens(string text)
    {
        var wordCount = text.Split(' ', StringSplitOptions.RemoveEmptyEntries).Length;
        return (int)(wordCount / 0.75);
    }

    public int EstimateTokensAccurate(string text, ITokenizer tokenizer)
    {
        // Use actual tokenizer for precision
        return tokenizer.Encode(text).Count;
    }
}
```

**Контекстові обмеження вікна:**

- Торки GPT-3.5: M SK1K
- ГПЗМСК0 МSK1КМСК2К टोकенів (в залежності від варіації МСК4
- Клойд 3.5 Сонет МSK1 МSK2 К-токени
- Ллама 3: МSK1 К-токени МSK2 хоча їх можна розширити )

В РАG системах, ви повинні підлаштуватисяM SK1

```
Total tokens = System prompt + Retrieved context + User query + Response buffer
```

Якщо ваш RAG відібрає 10 документи 500 символів кожен МSK2 то МSK3 символи лише для контексту \ - перед запитом та відповіддю

**Практичне управління символами РАG:**

```csharp
public class ContextWindowManager
{
    private readonly int _maxContextTokens;
    private readonly int _systemPromptTokens;
    private readonly int _responseBufferTokens;

    public ContextWindowManager(
        int totalContextWindow = 4096,
        int systemPromptTokens = 300,
        int responseBufferTokens = 500)
    {
        _maxContextTokens = totalContextWindow;
        _systemPromptTokens = systemPromptTokens;
        _responseBufferTokens = responseBufferTokens;
    }

    public List<SearchResult> FitContextInWindow(
        List<SearchResult> retrievedDocs,
        string query)
    {
        var queryTokens = EstimateTokens(query);

        // Available tokens for retrieved context
        var availableForContext = _maxContextTokens
            - _systemPromptTokens
            - queryTokens
            - _responseBufferTokens;

        var selectedDocs = new List<SearchResult>();
        var currentTokens = 0;

        foreach (var doc in retrievedDocs.OrderByDescending(d => d.Score))
        {
            var docTokens = EstimateTokens(doc.Text);

            if (currentTokens + docTokens <= availableForContext)
            {
                selectedDocs.Add(doc);
                currentTokens += docTokens;
            }
            else
            {
                break; // Context window full
            }
        }

        return selectedDocs;
    }

    private int EstimateTokens(string text)
    {
        // Rule of thumb: 1 token ≈ 4 characters
        return text.Length / 4;
    }
}
```

## Таємна зброя KV Cache

Коли LLM генерує текст, він не переробляє все з нуля для кожного символу. **Key-Value (KVM SK2 Cache** щоб пам 'ятати, що він вже обчислив.

### Як працюють трансформатори (СпрощеноM SK1

Перетворники використовують механізм "attention", де кожен символ "спостерігає за

```mermaid
flowchart TB
    subgraph "Generation Step 1: 'Docker'"
        A1[Input: 'Docker'] --> B1[Compute K,V for 'Docker']
        B1 --> C1[Store in KV Cache]
        C1 --> D1[Generate: 'is']
    end

    subgraph "Generation Step 2: 'is'"
        A2[Input: 'is'] --> B2[Compute K,V for 'is']
        B2 --> C2[Store in KV Cache]
        C2 --> E2[Retrieve KV for 'Docker']
        E2 --> F2[Attend: 'is' to 'Docker']
        F2 --> D2[Generate: 'a']
    end

    subgraph "Generation Step 3: 'a'"
        A3[Input: 'a'] --> B3[Compute K,V for 'a']
        B3 --> C3[Store in KV Cache]
        C3 --> E3[Retrieve KV for 'Docker', 'is']
        E3 --> F3[Attend: 'a' to all previous]
        F3 --> D3[Generate: 'container']
    end

    D1 --> A2
    D2 --> A3

    style C1 stroke:#f9f,stroke-width:3px
    style C2 stroke:#f9f,stroke-width:3px
    style C3 stroke:#f9f,stroke-width:3px
```

**Без кві-касу:**

- Шаг 1: Процедура МSK1 символ МSK2 OM SK3
- Шаг 2: Процес МSK1 टोकони з нуля → OM SK3
- Шаг 3: Процес МSK1 टोकони з нуля → OM SK3
- Загалом МСК0 ОМСК1 МSK2 2 МSK4 3

**З квіталізатором KV:**

- Шаг 1: Процес МSK1 символ МSK2 кэш KM SK3V → O(1)
- Шаг 2: Процедура МSK1 новий символ МSK2 повторне використання вキャッシュі KM SK3V → O(1)
- Шаг 3: Процедура МSK1 новий символ МSK2 повторне використання вキャッシュі KM SK3V → O(1)
- ЗагаломМСК0 ОМSK1N)

Це робить покоління **значно швидше** - різниця між МSK1 टोकенамиМСК2секундом та МСК3 टोकентамиMСК4секундиМ СК5

### Структура KV Cache Tree

KV-каш утворює "деревоM SK1 через те, як працює навага в трансформаторах . Кожна поверхня у моделі має свою власну матрицю K

```mermaid
graph TB
    A[Input Tokens:<br/>'What is Docker?'] --> B[Layer 1 Attention]
    B --> C[Layer 1 KV Cache]

    B --> D[Layer 2 Attention]
    D --> E[Layer 2 KV Cache]

    D --> F[Layer 3 Attention]
    F --> G[Layer 3 KV Cache]

    F --> H[... up to Layer N]
    H --> I[Output: 'Docker is']

    C -.Key-Value pairs<br/>for all input tokens.-> C
    E -.Key-Value pairs<br/>for all input tokens.-> E
    G -.Key-Value pairs<br/>for all input tokens.-> G

    style C stroke:#bbf,stroke-width:2px
    style E stroke:#bbf,stroke-width:2px
    style G stroke:#bbf,stroke-width:2px
```

**Кожен шар зберігає:**

- **Ключи (KM SK1**: Відображання, що використовують для обчислення балів уваги
- **Ціни (VM SK1**: Виступи, які змішуються на основі уваги

Для моделі з:

- 32 шари
- 4096 приховані виміри
- 32 головки уваги
- 8K context window

Кіш KV для однієї послідовності це:

```
2 (K and V) × 32 layers × 4096 dimensions × 8192 tokens × 2 bytes (FP16)
≈ 4.3 GB of VRAM!
```

Ось чому довгі контекстні вікна - це пам 'ять

### KV Cache в системах RAG

Системи RAG можуть використати оптимізацію квіталізованої пам 'яті в розумних способах:

**Про prompt Caching (Prompt caching)** ( підтримують деякі API, такі як Anthropic Claude

```csharp
public class CachedRAGService
{
    // System prompt and retrieved context can be cached!
    public async Task<string> GenerateWithCachedContextAsync(
        string systemPrompt,          // Cached
        List<SearchResult> context,   // Cached
        string userQuery)             // Not cached, changes each time
    {
        var contextText = FormatContext(context);

        // The KV cache for systemPrompt + contextText is reused across queries
        var prompt = $@"
{systemPrompt}

CONTEXT:
{contextText}

QUERY: {userQuery}

ANSWER:";

        return await _llm.GenerateAsync(prompt, useCaching: true);
    }
}
```

**Чому це потужне:**

- Перше запитання: Вираховує KV-каш для системного прохання M SK1 контекст (повільний)
- Наступні питання з таким же контекстом: Повторює заキャッシュованим KV M SK1x швидше!)
- Лише частина питання користувача потребує свіжого обчислення

**Практичний приклад:**

```
Query 1: "How do I use Docker?" → 2 seconds (no cache)
Query 2: "What are Docker benefits?" → 0.2 seconds (cache hit!)
Query 3: "Docker vs VMs?" → 0.2 seconds (cache hit!)
```

Усі три питання використовують той самий отриманий контекст, таким чином, квітаційний кэш для цього контексту повторюється.

## Ограничення символів та стратегія RAG

Усвідомлення токенів та квішового ховища допомагає вам прийняти рішення щодо архітектури RAG:

### 1. розміри

Менькі шматочки = точніше відтворення , але більший об 'єм МSK2

```csharp
// Option A: Small chunks (200 tokens each)
// Retrieve 20 chunks = 4,000 tokens
// Pro: Very precise, only relevant info
// Con: More KV cache entries, slower attention

// Option B: Larger chunks (500 tokens each)
// Retrieve 8 chunks = 4,000 tokens
// Pro: Better context coherence, fewer KV entries
// Con: More noise, less precise

public class AdaptiveChunker
{
    public int DetermineChunkSize(int contextWindowSize)
    {
        if (contextWindowSize <= 4096)
            return 200; // Small chunks for limited windows

        if (contextWindowSize <= 16384)
            return 500; // Medium chunks

        return 1000; // Large chunks for big windows
    }
}
```

### 2. Застосування контекстного вікна

Don't max out the context window M SK1 leave room for generation

```csharp
public class SafeContextManager
{
    public int GetSafeContextLimit(int totalContextWindow)
    {
        // Use only 75% for input, reserve 25% for output
        return (int)(totalContextWindow * 0.75);
    }

    // Example: 4K model
    // Total: 4096 tokens
    // Safe input: 3072 tokens
    // Reserved for output: 1024 tokens
}
```

### 3. МультифріальнийM SK1Ввімкніть RAG Обговорення

В чатботах, історія розмов зростає з кожним поворотомM SK1

```
Turn 1:
System + Context + Query1 = 3000 tokens
Response1 = 300 tokens
Total: 3300 tokens

Turn 2:
System + Context + Query1 + Response1 + Query2 = 3650 tokens
Response2 = 300 tokens
Total: 3950 tokens

Turn 3:
System + Context + Query1 + Response1 + Query2 + Response2 + Query3 = 4250 tokens
ERROR: Context window exceeded!
```

**Рішення: Sliding window with reM SK1retrieval**

```csharp
public class ConversationalRAG
{
    private readonly int _maxHistoryTokens = 1000;

    public async Task<string> ChatAsync(
        List<ConversationTurn> history,
        string newQuery)
    {
        // Re-retrieve context based on current query
        var context = await RetrieveContextAsync(newQuery);

        // Keep only recent conversation history
        var relevantHistory = TrimHistory(history, _maxHistoryTokens);

        var prompt = BuildPrompt(context, relevantHistory, newQuery);

        return await _llm.GenerateAsync(prompt);
    }

    private List<ConversationTurn> TrimHistory(
        List<ConversationTurn> history,
        int maxTokens)
    {
        var trimmed = new List<ConversationTurn>();
        var currentTokens = 0;

        // Keep most recent turns
        foreach (var turn in history.Reverse())
        {
            var turnTokens = EstimateTokens(turn.Query) + EstimateTokens(turn.Response);

            if (currentTokens + turnTokens <= maxTokens)
            {
                trimmed.Insert(0, turn);
                currentTokens += turnTokens;
            }
            else
            {
                break;
            }
        }

        return trimmed;
    }
}
```

### 4. Оптимізація вартості टोकена

API-засадові LLM платять за один токенM SK1 RAG може вибухнути, якщо не бути обережним:

```csharp
public class CostAwareRAG
{
    // OpenAI GPT-4 pricing (example):
    // Input: $0.03 per 1K tokens
    // Output: $0.06 per 1K tokens

    public decimal EstimateQueryCost(
        int systemPromptTokens,
        int retrievedContextTokens,
        int queryTokens,
        int expectedResponseTokens)
    {
        var inputTokens = systemPromptTokens + retrievedContextTokens + queryTokens;
        var outputTokens = expectedResponseTokens;

        var inputCost = (inputTokens / 1000m) * 0.03m;
        var outputCost = (outputTokens / 1000m) * 0.06m;

        return inputCost + outputCost;
    }

    // Example:
    // System: 300 tokens
    // Context: 3000 tokens (10 retrieved docs)
    // Query: 50 tokens
    // Response: 500 tokens
    //
    // Cost = ((300 + 3000 + 50) / 1000 * 0.03) + (500 / 1000 * 0.06)
    //      = (3350 / 1000 * 0.03) + (500 / 1000 * 0.06)
    //      = $0.1005 + $0.03
    //      = $0.1305 per query
    //
    // At 1000 queries/day = $130/day = $3,900/month!
}
```

**Стратегії зниження витрат:**

1. Retrieve fewer, betterM SK1ranked documents
2. Використовуйте просте шифрування (Антропічний КлодM SK1 МSK2 дешевше для закодованих टोकенів)
3. Використовуйте дешевші моделі для переробки
4. Стиснути контекст, використовуючи підсумки

## Візуалізація повного потоку РАГ за допомогою टोकенів

Ось як токени, ,, KV-каш, МSK2 та RAG вміщаються разом.

```mermaid
flowchart TB
    A[User Query:<br/>'How does Docker work?'<br/>≈ 12 tokens] --> B[Generate Query Embedding]

    B --> C[Vector Search]
    C --> D[Retrieved Docs:<br/>5 docs × 500 tokens<br/>= 2,500 tokens]

    D --> E[Construct Prompt]
    A --> E

    E --> F["Complete Prompt:<br/>System: 300 tokens<br/>Context: 2,500 tokens<br/>Query: 12 tokens<br/>Total: 2,812 tokens"]

    F --> G[Tokenize Prompt]
    G --> H["Token IDs:<br/>[245, 1034, 8829, ...]<br/>2,812 token IDs"]

    H --> I[LLM Layer 1]
    I --> J[Compute K,V]
    J --> K[KV Cache Layer 1:<br/>2,812 K,V pairs]

    I --> L[LLM Layer 2]
    L --> M[Compute K,V]
    M --> N[KV Cache Layer 2:<br/>2,812 K,V pairs]

    L --> O[... Layers 3-32]
    O --> P[Generate Token 1: 'Docker']

    P --> Q[Add to KV Cache]
    Q --> R[Generate Token 2: 'is']
    R --> S[Add to KV Cache]
    S --> T[... until completion]

    T --> U["Response: 'Docker is a containerization platform...'<br/>≈ 400 tokens"]

    style K stroke:#f9f,stroke-width:2px
    style N stroke:#f9f,stroke-width:2px
    style Q stroke:#bbf,stroke-width:2px
    style S stroke:#bbf,stroke-width:2px
```

**Найголовні ідеї:**

1. **Вхідні символи** (2,812) оброблені один раз, щоб побудувати первинний квіш
2. **Покоління** трапляється один символ в один раз, повторюваність використання кві-キャッシュу
3. **Кожен новий символ** додає кэшу KV для майбутніх символів, до яких треба звернутись
4. **Загалом VRAM** потрібний = Веси моделей + KV кэш для всіх टोकенів
5. **Довгий контекст** = більший KV-каш = більше VRAM

## Практичні наслідки RAG

Усвідомлення токенів та кві-キャッシュ веде до кращого дизайну RAG:

**1. Предідущий -засоби комп 'ютера та кэшуM SK2**

```csharp
// Cache KV for frequently used system prompts + static context
var cachedSystemContext = await _llm.PrecomputeKVCache(systemPrompt + staticContext);

// Reuse for each query (much faster)
foreach (var query in userQueries)
{
    var response = await _llm.GenerateAsync(query, reuseKVCache: cachedSystemContext);
}
```

**2. Оптимизувати обмеження блокуM SK1**

```csharp
// Bad: Arbitrary 500-character chunks
var chunks = text.Chunk(500);

// Good: Chunk on sentence boundaries, measure in tokens
public List<string> ChunkByTokens(string text, int maxTokensPerChunk)
{
    var sentences = SplitIntoSentences(text);
    var chunks = new List<string>();
    var currentChunk = new StringBuilder();
    var currentTokens = 0;

    foreach (var sentence in sentences)
    {
        var sentenceTokens = EstimateTokens(sentence);

        if (currentTokens + sentenceTokens > maxTokensPerChunk && currentTokens > 0)
        {
            chunks.Add(currentChunk.ToString());
            currentChunk.Clear();
            currentTokens = 0;
        }

        currentChunk.Append(sentence).Append(" ");
        currentTokens += sentenceTokens;
    }

    if (currentTokens > 0)
        chunks.Add(currentChunk.ToString());

    return chunks;
}
```

**3. Навігація використання символів в процесі виробництва**

```csharp
public class RAGTelemetry
{
    public void LogRAGQuery(
        string query,
        List<SearchResult> retrievedDocs,
        string response)
    {
        var queryTokens = EstimateTokens(query);
        var contextTokens = retrievedDocs.Sum(d => EstimateTokens(d.Text));
        var responseTokens = EstimateTokens(response);
        var totalTokens = queryTokens + contextTokens + responseTokens;

        _logger.LogInformation(
            "RAG Query: {Query} | Context: {ContextTokens} tokens from {DocCount} docs | " +
            "Response: {ResponseTokens} tokens | Total: {TotalTokens} tokens",
            query, contextTokens, retrievedDocs.Count, responseTokens, totalTokens
        );

        // Alert if approaching context limit
        if (totalTokens > _maxTokens * 0.9)
        {
            _logger.LogWarning("Approaching token limit: {TotalTokens}/{MaxTokens}",
                totalTokens, _maxTokens);
        }
    }
}
```

# Завершення: Майстерство з архітектури

Ми застосували всю технічну архітектуру систем RAG.

**Фаза 1: Індексування**

- Видобуток тексту з різних джерел
- Strategiи відокремлення (секціюM SK1на основі, реченняMSC3на podstawieMST4 з перетинкоюMSL5
- генерація вбудованого коду (ONNXM SK1 API-сервіси)
- Поміщання векторів (QdrantM SK1 pgvector, PineconeMSC3

**Фаза отримання 2:**

- Вбудова питання (та сама модель, як і індексуванняM SK1
- Поиск схожості ( косину , еуklidськийM SK2 точка produktu)
- Опційне переоцінювання для кращої точності
- Фильтрація метаданів для витончених результатів

**Fazа генерації 3:**

- Проста конструкція (контекст МSK1 інструкції МSK2 питання
- Дослідження LLM (temperaturM SK1 верхній -p, maksymальні टोकониMSC4
- Далі-розробка M SK1видобуток цитаційМSK2форматування МSK3

**Внутрішні LLM**

- Торки: Фундаментальні одиниці M SK1не символи!)
- KV Cache: Чому генерація швидка? M SK1лінейнаМSK2 не квадратна)
- Окна контексту: Керування обмеженнями символів в РАG
- Оптимізація витрат : Caching, compressionM SK2 smart retrieval

**Найголовніші технічні ідеї:**

1. **Те ж вбудоване моделлю** для індексування та відтворення (критикаM SK1
2. **Зробляйте щось більш важливе, ніж ви думаєте** - зберігає семантичні послідовності
3. **Переrankування покращує точність** за рахунок затримки часу
4. **Керівний менеджмент є вирішальним** - підрахунки перед пошуком
5. **KV-キャッシュ робить RAG можливим** - повторні обчислення про prompt
6. **Окна контексту швидко заповнюються** МSK0 10 доки МSK2 ♫ ♫ МSK3 ♫ टोकони ♫ = ♫

# По continue to Part 3: RAG in Practice

Тепер ви розумієте, **як працює РАГ** на технічному рівні

В **[Частина 3: RAG в практиці](/blog/rag-practical-applications)**, ми переходимо від архітектури до втілення :

**Реальний-приложения світуM SK1**

- Подібні пости Рекомендація на цьому блогі
- Семантичний пошук блогів
- Збудувати "Advocate GPT" писемного асистента

**Bendrі проблеми та рішення:**

- Strategiи, що зберігають контекст
- Поліпшувати якість введення для вашої домени
- Рухування контекстними вікнами динамічно
- Preventing hallucination despite having context
- Тривожність вашого індексу до data

**Заawansовані технології:**

- Гіпотетичне вбудова Dokumentу (HyDEM SK1
- Самий-застосування LLM-розшифрованих фільтрів
- Multi-запроси РАG для комплексних результатів
- Контекстове стиснення, щоб зменшити використання токенів
- Multi-hop RAG для складних запитів
- Довгий-тривалість розмовної пам 'яті

**Початок:**

- Щотижня
- Практичні приклади коду
- Оптимізації
- Коли НЕ використовувати RAG

**[Далі переходимо до частини 3: RAG в практиці →](/blog/rag-practical-applications)**

## Ресурс

**Фундаментальні матеріали:**

- [Видобуток МСК0 Поширене генерування знань МSK1Мовні завдання НЛП](https://arxiv.org/abs/2005.11401) - Оригинальний RAG папір
- [Дослідження щільного проходу для Open-Домена Відповідь на запитання](https://arxiv.org/abs/2004.04906) - фонд DPR
- [Увага - це все, що вам потрібно](https://arxiv.org/abs/1706.03762) - Перетворники

**Наrzędziа та ланцюги:**

- [Кдрант](https://qdrant.tech/) База даних вектора -
- [Пропускний час на NX](https://onnxruntime.ai/) - локальні вбудова
- [Лалам-Шарп](https://github.com/SciSharp/LLamaSharp) - локальний висновок LLM
- [Перетворники речей](https://www.sbert.net/) - Моделі вмонтування

**Дальне читання:**

- [Антропічне: Контекстове відтворення](https://www.anthropic.com/index/contextual-retrieval) - Заawansовані технології

**Навігація серії:**

- [Частина 1: Походження та основи](/blog/rag-primer) - Історія та мотивація
- **Частина 2: Архітектура та внутрішні** (таков artykułM SK1 МSK2 технічне глибоке занурення
- [Частина 3: RAG в практиці](/blog/rag-practical-applications) - Збудувати реальні системи

**[Пройти до частини 3 МSK1](/blog/rag-practical-applications)**