(Урок 1) RAG для новичков: как LLM работает с документами и приватными данными

В этом уроке ты разберёшься, что такое RAG (Retrieval Augmented Generation) и как LLM (ChatGPT, Gemini, Claude) работают с документами и приватными данными. Объясняю RAG простыми словами: indexing, embeddings, vector store, retrieval и generation — без математики и fine-tuning. Antarctic Wallet – оплата USDT по QR-коду (Используется в курсе как реальный кейс для построения RAG-системы поддержки): https://t.me/antarctic_wallet_bot/app... Код, конспект урока и дополнительные материалы выложил в tg: https://t.me/semolina_code_python/147 RAG (Retrieval Augmented Generation) — один из самых популярных способов заставить LLM-модели работать с внешними данными: документами, базами знаний, внутренней документацией и приватной информацией. В этом уроке ты узнаешь: что такое RAG и зачем он нужен, почему ChatGPT / Gemini / Claude не знают свежие и приватные данные, чем RAG отличается от дообучения модели, как работают 2 ключевых этапа RAG: Indexing и Retrieval + Generation, что такое embeddings, vector store и поиск по смыслу, как на практике выглядит RAG-pipeline от вопроса до ответа. В качестве примера мы рассматриваем реальный кейс — автоматизацию службы поддержки для сервиса Antarctic Wallet. Этот урок — теоретическая база. В следующем видео мы напишем код и соберём RAG-систему на практике. Кому подойдёт видео новичкам в LLM и RAG разработчикам и QA тем, кто хочет чат-бот с базой знаний тем, кто работает с документацией и поддержкой пользователей В следующем уроке:    • (Урок 2) RAG для новичков: RAG pipeline на...   реализуем indexing и retrieval в коде соберём RAG-бота научимся проверять качество ответов через пилотный тест Таймкоды: 00:00 — RAG для новичков: старт мини-курса 00:31 — Цели курса и зачем разбираться в RAG 00:52 — Почему LLM (ChatGPT, Gemini, Claude) не знают свежие данные 01:20 — Проблема приватных и внутренних данных 01:43 — Что такое RAG (Retrieval Augmented Generation) 02:08 — Зачем RAG бизнесу: бот поддержки и автоматизация 02:20 — Кейс Antarctic Wallet: постановка практической задачи 03:15 — Повторяющиеся вопросы и стоимость службы поддержки 04:04 — Почему RAG лучше «дообучения» модели 05:42 — План урока: теория RAG без кода 06:41 — Классический LLM pipeline без RAG 07:19 — Какие проблемы решает RAG 09:13 — Этап 1: Indexing — что такое индексация 09:44 — Поиск по смыслу, а не по словам 10:46 — Chunking: зачем делить документы на части 11:28 — Embeddings: как текст превращается в вектора 11:45 — Vector Store: хранение и поиск знаний 12:51 — Векторное пространство: интуитивное объяснение 19:34 — Similarity search: как находятся релевантные чанки 22:00 — Indexing шаг за шагом: документы → чанки → эмбеддинги 24:56 — Этап 2: Retrieval + Generation 25:31 — Почему без контекста LLM отвечает неправильно 26:14 — Как контекст улучшает ответы модели 27:22 — RAG pipeline: Question + Context → Answer 28:02 — Главное в RAG: модель не дообучается 29:34 — Что можно менять и улучшать в RAG системе 30:33 — Что будет в следующем уроке: пишем код 30:51 — Домашнее задание: пилотный тест для RAG 33:48 — Итоги урока: как работает RAG целиком rag rag что это rag для новичков retrieval augmented generation llm chatgpt документы llm база знаний rag pipeline embeddings vector store vector database semantic search rag tutorial langchain rag chatbot с документами #RAG #LLM #ChatGPT #AI #LangChain