Обзор базовой архитектуры системы RAG
Разберитесь в основных компонентах системы RAG, включая источники данных, средства извлечения и генераторы.
«Обзор базовой архитектуры системы RAG» — бесплатный урок LLM Apps in Production (RAG + Vector DB + Caching) на CoddyKit. Это урок 3 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 LLM Apps in Production (RAG + Vector DB + Caching), и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс LLM Apps in Production (RAG + Vector DB + Caching) содержит 4 уроков всего.
Части этого урока еще не переведены и отображаются на английском.
Intro to RAG Architecture
Now let's look at the building blocks of a RAG system. Knowing the architecture shows you exactly how RAG makes LLMs more accurate and reliable.
The Three Main Pillars
RAG blends retrieval (finding info) and generation (creating text) through three components: data sources, a retriever, and a generator.
Component 1: Data Sources
The data sources hold the external knowledge your LLM wasn't trained on — PDFs, web pages, internal wikis, database records, and more.
Preparing Your Data
First your data gets processed: large documents are split into smaller, searchable pieces called chunks, like indexing a library by chapter instead of by whole book.
Component 2: The Retriever
The retriever is a smart search engine for your chunks. It understands the meaning of a query, not just keywords, to fetch the most relevant context.
Retriever in Action
When a user asks, the retriever scans all processed chunks and pulls out the few most likely to hold the answer, passing them along as context.
Component 3: The Generator (LLM)
The generator is your LLM — the part that writes the response. In RAG it gets two inputs: your original question and the context the retriever found.
LLM's Role: Grounded Responses
Instead of leaning on pre-trained knowledge alone, the LLM uses retrieved context to ground its answer, like an expert handed the exact reference documents.
The Full RAG Flow
The full RAG flow: query in, retriever finds chunks, query plus chunks go to the generator, the LLM writes a grounded answer, the user gets a factual reply.
Check Your Understanding
Which component is primarily responsible for finding relevant information from your knowledge base when a user asks a question?
RAG Architecture Recap
Recap: a RAG system has three parts — data sources (the knowledge), retriever (the smart search), and generator (the LLM crafting grounded answers).
Часто задаваемые вопросы
Урок «Обзор базовой архитектуры системы RAG» бесплатный?
Да — полный текст урока «Обзор базовой архитектуры системы RAG» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс LLM Apps in Production (RAG + Vector DB + Caching), подпишись на CoddyKit PRO. Курс LLM Apps in Production (RAG + Vector DB + Caching) содержит 4 уроков всего.
Чему я научусь в уроке «Обзор базовой архитектуры системы RAG»?
Разберитесь в основных компонентах системы RAG, включая источники данных, средства извлечения и генераторы. Ты практикуешь LLM Apps in Production (RAG + Vector DB + Caching) 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 LLM Apps in Production (RAG + Vector DB + Caching)?
Предыдущий опыт не требуется. LLM Apps in Production (RAG + Vector DB + Caching) 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 3 из 4.
Сколько времени занимает урок «Обзор базовой архитектуры системы RAG»?
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 LLM Apps in Production (RAG + Vector DB + Caching)?
Да. Каждый урок LLM Apps in Production (RAG + Vector DB + Caching) 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
- Понимание приложений LLM в промышленной эксплуатации
- Основы генерации с дополнением извлечением
- Обзор базовой архитектуры системы RAG
- Проектирование запросов и контекстные окна