0Pricing
AI Agents · Урок

Ранжирование и фильтрация результатов поиска

Оценка релевантности, удаление дубликатов и выбор лучших результатов для контекста.

«Ранжирование и фильтрация результатов поиска» — бесплатный урок AI Agents на CoddyKit. Это урок 2 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения AI Agents, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс AI Agents содержит 4 уроков всего.

Почему важны ранжирование и фильтрация

API поиска возвращает 5–10 результатов, но не все они одинаково релевантны, надёжны или полезны для задачи агента. Сырые результаты, напрямую переданные LLM, расходуют токены контекста и могут вносить шум или дезинформацию.

Ранжирование и фильтрация улучшают соотношение сигнала и шума до того, как результаты попадут в LLM.

Оценка релевантности с помощью BM25

BM25 (наилучшее совпадение 25) — классический алгоритм ранжирования текста, который оценивает документы по совпадению ключевых слов с запросом. Он хорошо подходит для лексического сопоставления — когда в запросе и документе используются одни и те же слова.

Установите его командой pip install rank-bm25.

from rank_bm25 import BM25Okapi

def rank_with_bm25(query, results):
    # Tokenize: lowercase and split into words
    tokenized_results = [
        r['content'].lower().split()
        for r in results
    ]
    bm25 = BM25Okapi(tokenized_results)

    query_tokens = query.lower().split()
    scores = bm25.get_scores(query_tokens)

    # Sort results by score descending
    ranked = sorted(
        zip(scores, results),
        key=lambda x: x[0],
        reverse=True
    )
    return [(score, result) for score, result in ranked]

Оценка релевантности с помощью эмбеддингов

BM25 сопоставляет только точные совпадения слов. Сходство эмбеддингов учитывает смысл — поэтому «разработка веб-приложений на Python» и «создание веб-сайтов с помощью Django» получают высокую оценку сходства даже при разных формулировках.

Используйте косинусное сходство между эмбеддингом запроса и эмбеддингами результатов.

import numpy as np
import openai
import os

client = openai.OpenAI(api_key=os.getenv('OPENAI_API_KEY'))

def embed(text):
    resp = client.embeddings.create(
        model='text-embedding-3-small',
        input=text[:8000]
    )
    return np.array(resp.data[0].embedding)

def cosine_similarity(a, b):
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

def rank_by_embedding(query, results):
    q_emb = embed(query)
    scored = []
    for r in results:
        r_emb = embed(r['content'][:1000])
        score = cosine_similarity(q_emb, r_emb)
        scored.append((score, r))
    return sorted(scored, key=lambda x: x[0], reverse=True)

Гибридное ранжирование: BM25 + эмбеддинги

BM25 и оценка на основе эмбеддингов отражают разные стороны релевантности. Гибридное ранжирование объединяет обе оценки с помощью взвешенного среднего, обеспечивая преимущества лексического и семантического сопоставления.

def hybrid_rank(query, results, bm25_weight=0.4, embed_weight=0.6):
    # Get BM25 scores (normalized 0-1)
    bm25_scored = rank_with_bm25(query, results)
    max_bm25 = max(s for s, _ in bm25_scored) or 1
    bm25_norm = {r['url']: s / max_bm25 for s, r in bm25_scored}

    # Get embedding scores
    embed_scored = rank_by_embedding(query, results)
    embed_norm = {r['url']: s for s, r in embed_scored}

    # Combine
    combined = []
    for r in results:
        url = r['url']
        score = (bm25_weight * bm25_norm.get(url, 0) +
                 embed_weight * embed_norm.get(url, 0))
        combined.append((score, r))

    return sorted(combined, key=lambda x: x[0], reverse=True)

Устранение дубликатов по адресу

Результаты поиска часто содержат почти одинаковые элементы: одну и ту же статью из нескольких источников, публикующих её одновременно, или одну и ту же страницу с разными параметрами адреса. Перед передачей результатов в LLM такие дубликаты нужно убрать.

from urllib.parse import urlparse, urlunparse

def normalize_url(url):
    parsed = urlparse(url)
    # Remove query params and fragment (tracking params, etc.)
    clean = parsed._replace(query='', fragment='')
    return urlunparse(clean).rstrip('/')

def deduplicate_results(results):
    seen_urls = set()
    unique = []
    for r in results:
        url = normalize_url(r.get('url', ''))
        if url not in seen_urls:
            seen_urls.add(url)
            unique.append(r)
    return unique

# Also deduplicate by content similarity (near-duplicate detection)
def deduplicate_by_content(results, min_unique_ratio=0.7):
    unique = [results[0]] if results else []
    for candidate in results[1:]:
        cand_words = set(candidate['content'].lower().split())
        is_duplicate = False
        for kept in unique:
            kept_words = set(kept['content'].lower().split())
            overlap = len(cand_words & kept_words) / max(len(cand_words), 1)
            if overlap > (1 - min_unique_ratio):
                is_duplicate = True
                break
        if not is_duplicate:
            unique.append(candidate)
    return unique

if __name__ == '__main__':
    demo_results = [
        {'url': 'https://example.com/a?utm_source=x'},
        {'url': 'https://example.com/a'},
        {'url': 'https://example.com/b'},
    ]
    unique = deduplicate_results(demo_results)
    print(f'{len(demo_results)} results -> {len(unique)} unique')
    for r in unique:
        print(' -', r['url'])

Оценка качества домена

Результат с сайта docs.python.org надёжнее результата из случайного блога. Назначьте множители качества для разных уровней доменов и учтите их в итоговом ранжировании.

DOMAIN_QUALITY = {
    # Tier 1 — authoritative (1.3x boost)
    'docs.python.org': 1.3,
    'developer.mozilla.org': 1.3,
    'arxiv.org': 1.3,
    'github.com': 1.2,
    'stackoverflow.com': 1.2,
    # Tier 2 — good (1.0x, no change)
    # Tier 3 — low quality (penalty)
    'pinterest.com': 0.3,
    'quora.com': 0.5,
    'wikihow.com': 0.6
}

def get_domain_multiplier(url):
    from urllib.parse import urlparse
    domain = urlparse(url).netloc.lower().replace('www.', '')
    return DOMAIN_QUALITY.get(domain, 1.0)  # default: no change

def apply_domain_boost(scored_results):
    boosted = []
    for score, r in scored_results:
        multiplier = get_domain_multiplier(r.get('url', ''))
        boosted.append((score * multiplier, r))
    return sorted(boosted, key=lambda x: x[0], reverse=True)

if __name__ == '__main__':
    scored = [(1.0, {'url': 'https://pinterest.com/x'}), (1.0, {'url': 'https://docs.python.org/x'})]
    for score, r in apply_domain_boost(scored):
        print(f"{r['url']}: boosted score {score:.2f}")

Фильтрация некачественных результатов

Некоторые результаты структурно некачественны независимо от домена: они слишком короткие, в основном содержат элементы навигации или находятся на страницах, доступных только после входа в систему. Отфильтруйте их до ранжирования.

MIN_CONTENT_LENGTH = 200  # characters

LOW_QUALITY_SIGNALS = [
    'sign in to view',
    'please log in',
    'subscribe to read',
    '404 not found',
    'access denied',
    'this content is for members only'
]

def is_quality_result(result):
    content = result.get('content', '')

    # Too short
    if len(content) < MIN_CONTENT_LENGTH:
        return False

    # Paywall / access barrier detected
    content_lower = content.lower()
    for signal in LOW_QUALITY_SIGNALS:
        if signal in content_lower:
            return False

    return True

def filter_results(results):
    return [r for r in results if is_quality_result(r)]

if __name__ == '__main__':
    demo_results = [
        {'content': 'Please log in to view this article which has plenty of extra padding text here.'},
        {'content': 'A' * 250},
    ]
    kept = filter_results(demo_results)
    print(f'{len(demo_results)} results -> {len(kept)} passed quality filter')

Обрезка результатов с учётом контекстного бюджета

Даже после фильтрации у вас может остаться 5 качественных результатов по 600 символов каждый — всего 3 000 символов. Определите, сколько результатов помещается в контекстный бюджет вашего LLM, и соответственно обрежьте их.

MAX_CONTEXT_CHARS = 4000
MAX_SNIPPET_CHARS = 600

def truncate_for_context(ranked_results, budget=MAX_CONTEXT_CHARS):
    selected = []
    used_chars = 0

    for score, result in ranked_results:
        content = result.get('content', '')[:MAX_SNIPPET_CHARS]
        entry = f"Source: {result['title']}\nURL: {result['url']}\nContent: {content}"
        entry_len = len(entry)

        if used_chars + entry_len > budget:
            break

        selected.append(result)
        used_chars += entry_len

    return selected

ranked_results = [
    (0.9, {'title': 'Doc A', 'url': 'http://a', 'content': 'x' * 800}),
    (0.7, {'title': 'Doc B', 'url': 'http://b', 'content': 'y' * 800}),
]
budget = 1000
selected = truncate_for_context(ranked_results, budget=budget)
print(f'Selected {len(selected)} results within {budget}-char budget')

Форматирование результатов для запроса к LLM

После ранжирования, устранения дубликатов и обрезки представьте результаты в виде нумерованного списка в запросе к LLM. Благодаря нумерованным источникам модели будет проще ссылаться на них в ответе.

def format_results_for_prompt(results):
    lines = ['Here are relevant search results:\n']
    for i, r in enumerate(results, 1):
        lines.append(f'[{i}] {r["title"]}')
        lines.append(f'    URL: {r["url"]}')
        lines.append(f'    {r.get("content", "")[:400]}')
        lines.append('')
    lines.append('Use these sources to answer the question. Cite sources as [1], [2], etc.')
    return '\n'.join(lines)

# Usage in agent prompt
formatted = format_results_for_prompt(selected_results)
response = llm_call(
    system='You are a research assistant.',
    user=f'{formatted}\n\nQuestion: {user_question}'
)

Кэширование результатов поиска

Один и тот же запрос может повторяться в разных сеансах или циклах агента. Кэшируйте результаты поиска с коротким TTL (например, 1 час), чтобы снизить расходы на обращения к сервисам и ускорить ответы на повторные запросы.

import hashlib
import time

search_cache = {}  # In production: use Redis or disk cache
CACHE_TTL = 3600  # 1 hour

def cached_search(query, **kwargs):
    cache_key = hashlib.md5(query.encode()).hexdigest()
    entry = search_cache.get(cache_key)

    if entry and (time.time() - entry['ts']) < CACHE_TTL:
        print('Search cache hit')
        return entry['results']

    results = client.search(query=query, **kwargs)
    search_cache[cache_key] = {
        'results': results,
        'ts': time.time()
    }
    return results

Полный конвейер фильтрации и ранжирования

Объедините все шаги в одну функцию конвейера: получить данные → отфильтровать некачественные результаты → устранить дубликаты → выполнить ранжирование → применить повышение оценки домена → обрезать с учётом контекста → отформатировать для запроса.

def search_and_rank(query, max_context_chars=4000):
    # 1. Fetch
    raw = cached_search(query, max_results=8)
    results = raw.get('results', [])

    # 2. Filter quality
    results = filter_results(results)

    # 3. Deduplicate
    results = deduplicate_results(results)

    # 4. Rank (BM25 fast path — save embedding costs)
    scored = rank_with_bm25(query, results)

    # 5. Domain boost
    scored = apply_domain_boost(scored)

    # 6. Truncate to context budget
    selected = truncate_for_context(scored, budget=max_context_chars)

    # 7. Format
    return format_results_for_prompt(selected)

Проверка знаний

В чём состоит главное преимущество гибридного ранжирования (BM25 + эмбеддинги) по сравнению с использованием только BM25?

Повторение: ранжирование и фильтрация результатов поиска

Необработанные результаты поиска нужно обработать до передачи в LLM. Конвейер: отфильтровать некачественные результаты (слишком короткие, доступные только после оплаты) → устранить дубликаты по адресу и содержимому → ранжировать по BM25 и/или сходству эмбеддингов → применить повышения оценки качества домена → обрезать с учётом контекстного бюджета → оформить в виде нумерованных источников.

Кэшируйте результаты поиска, чтобы снизить расходы на обращения к сервисам при повторных запросах. Нумерованные ссылки в запросе позволяют LLM связывать утверждения с конкретными источниками.

Часто задаваемые вопросы

Урок «Ранжирование и фильтрация результатов поиска» бесплатный?

Да — полный текст урока «Ранжирование и фильтрация результатов поиска» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс AI Agents, подпишись на CoddyKit PRO. Курс AI Agents содержит 4 уроков всего.

Чему я научусь в уроке «Ранжирование и фильтрация результатов поиска»?

Оценка релевантности, удаление дубликатов и выбор лучших результатов для контекста. Ты практикуешь AI Agents с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.

Нужен ли мне опыт, чтобы начать AI Agents?

Предыдущий опыт не требуется. AI Agents на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 2 из 4.

Сколько времени занимает урок «Ранжирование и фильтрация результатов поиска»?

Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.

Можно ли писать и запускать код в этом уроке AI Agents?

Да. Каждый урок AI Agents включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.

Все уроки этого курса

  1. Tavily и SerpAPI для поиска агентов
  2. Ранжирование и фильтрация результатов поиска
  3. Шаблон цикла глубокого исследования
  4. Объединение веб-поиска с RAG
← Назад к AI Agents