Как повысить точность RAG, выбрать подходящую архитектуру и сохранить сервис при сбое AI-агента — открыли записи трёх докладов HighLoad++ 2025, где спикеры показывают, как решали эти задачи в своих проектах.

🔴Как RAG ускоряет поддержку RUTUBE: от гибридного поиска до мониторинга галлюцинаций. Виктор Леньшин.
Если ваш RAG часто отвечает «не знаю» или не справляется с растущей базой знаний, доклад поможет пересмотреть подход к поиску и оценке качества. Сравните первую версию RAG с подходом на основе гибридного поиска, разберётесь в роли BM25 и FRIDA, изучите альтернативы Milvus и сможете выбрать метрики, которые точнее покажут качество системы.

🔴RAG → GraphRAG → LightRAG: как мы трижды переписывали медицинский AI и кратно снизили издержки. Андрей Носов.
Когда нужно выбрать RAG-архитектуру и обосновать её стоимость, сравните три подхода на примере одного проекта. Доклад поможет оценить, когда обычного RAG уже недостаточно, во сколько может обойтись GraphRAG и как LightRAG меняет баланс между качеством ответов и затратами на индексацию.

🔴Как сохранить высокую надежность при GenAI-трансформации. Вячеслав Кудряшов.
Если AI-агент становится частью критичной системы, заранее спроектируйте её поведение при сбоях. В докладе разберёте, как отслеживать действия агента, ограничивать зацикливание, продолжать работу без него и откатывать критичные операции. Эти решения можно использовать как основу для собственных требований к надёжности GenAI.

Продуктивного просмотра и отличных выходных 🙌