Инженерия интеллекта от промта к системам ИИ

Задача: [ваш вопрос на естественном языке].

Напиши SQL-запрос и одним предложением объясни, что он делает.Указание конкретных значений в категориях (как «Ноутбуки», а не «Ноутбук») устраняет целый класс ошибок, связанных с несовпадением строк в фильтрах.

Тип 3: Графовые базы данных — поиск по связям

Есть вопросы, на которые не ответят ни векторный, ни SQL-поиск.

«Кто из сотрудников общался с контрагентом X через посредников?», «Какие компании связаны с контрагентом Y через общих учредителей?».

Это вопросы о структуре отношений, и для них существует граф.

Графовая база данных хранит информацию в виде узлов (люди, компании, документы) и рёбер (связей между ними с указанием типа: «является руководителем», «подписал», «аффилирован с»). С ростом сложности корпоративных данных всё более востребованным становится GraphRAG — подход, который объединяет графовые и векторные базы для повышения точности ответов.

На практике в 2026 году популярны Neo4j как классика графовых баз и GraphRAG-решения крупных вендоров — Memgraph и NebulaGraph.

Тип 4: Гибридный поиск — когда нужно всё и сразу

В реальных бизнес-задачах почти никогда не нужен только один тип поиска. Представьте интернет-магазин: пользователь пишет «ноутбук для дизайнера, бюджет до 150 000». Здесь нужно совместить:

Семантический поиск (векторный), чтобы найти общее описание.

Ключевой поиск (BM25), чтобы не пропустить конкретные модели.

Числовые фильтры, чтобы отсечь всё, что выше 150 000.

Это называется гибридным поиском (Hybrid Search). Результаты объединяются алгоритмом Reciprocal Rank Fusion (RRF): документ, попавший в топ и векторного, и ключевого поиска, получает высший итоговый ранг. В инженерной практике 2026 года стандарт усложнился: после слияния применяется модель-реранкер (часто — специализированная легковесная LLM), которая оценивает пару «запрос-документ» и пересортировывает результат для максимальной релевантности.

Тип 5: Агентный RAG (Agentic RAG) — эволюция 2026 года

До сих пор мы описывали «классический» RAG: один запрос один поиск один ответ. Но передовые исследования 2026 года, принятые на конференции уровня ICLR, активно внедряют концепцию агентного RAG.

Что это значит? Поиск информации превращается из пассивной операции в итеративный процесс. LLM-агент больше не делает один «слепой» запрос к базе. Вместо этого он:

1. Получает сложный вопрос пользователя.

2. Раскладывает его на несколько подзадач и подзапросов.

3. Итеративно ищет информацию, оценивая качество и полноту найденного на каждом шагу.