Введение: когда RAG перестаёт быть просто RAG
Мир генеративных нейросетей за последние два года пережил настоящий тектонический сдвиг. Мы привыкли, что Retrieval-Augmented Generation (RAG) — это стандартный паттерн: берём эмбеддинги, ищем семантически близкие куски в базе знаний, склеиваем с промптом и отдаём LLM. Но на практике этот подход ломался, как только мы переходили от общих статей к специализированным научным данным.
В июне 2026 года сообщество AI-инженеров обсуждает свежую публикацию, которая предлагает фундаментально иной подход — Science‑purpose‑RAG. Речь не просто о тюнинге индексации или новом эмбеддере. Это попытка построить агентную архитектуру, где RAG не просто подбирает релевантные фрагменты, а «переоткрывает» научные взаимосвязи, двигаясь от вопроса к ответу через цепочки логических рассуждений.
В этой статье мы разберём, чем Science‑purpose‑RAG отличается от классического RAG, какие проблемы он решает и почему это может стать стандартом для корпоративных AI-решений в наукоёмких областях. Мы не будем углубляться в абстрактные теории — вместо этого я покажу конкретный кейс, цифры и выводы из реального внедрения.
Проблема: почему классический RAG проваливается в науке
Давайте начнём с боли. Допустим, у вас есть корпоративная база знаний, содержащая 10 000 научных статей по материаловедению. Классический RAG работает так: он разбивает каждый документ на чанки (фрагменты по 512 токенов), вычисляет векторные эмбеддинги через модель типа ada-002 и при запросе пользователя возвращает top-5 чанков с наибольшим косинусным сходством.
На практике это приводит к трём системным проблемам:
-
Контекстная фрагментация. Научный вывод часто содержится не в одном абзаце, а распределён по нескольким разделам статьи. RAG может вернуть чанк с результатами эксперимента, но упустить чанк с методологией, без которой интерпретация этих результатов невозможна.
-
Потеря иерархии. В науке важна не только семантика, но и структура: гипотеза → эксперимент → данные → вывод. Классический RAG не понимает этой последовательности. Он просто ищет близкие по смыслу куски, игнорируя логику научного метода.
-
Семантический шум. Когда вы ищете «влияние температуры на прочность сплава», RAG может вернуть чанк из другой статьи, где упоминается «температура» в контексте плавления, хотя вам нужна зависимость прочности при циклическом нагреве.
Исследовательская команда, опубликовавшая статью на Habr, столкнулась именно с этой задачей. Им нужно было создать систему, которая не просто выдёргивает цитаты, а строит связные научные объяснения на основе множества источников. Результат — Science‑purpose‑RAG.
Решение: как устроен Science‑purpose‑RAG
Science‑purpose‑RAG — это не одна модель, а мультиагентная архитектура, состоящая из трёх ключевых компонентов:
| Компонент | Функция | Что даёт на практике |
|---|---|---|
| Агент-анализатор запроса | Парсит вопрос, выделяет сущности, определяет тип научного запроса (данные, метод, вывод) | Снижает ложные срабатывания на 40% |
| Агент-навигатор | Строит граф знаний на основе структуры документов — не просто чанки, а связи между гипотезами, экспериментами и выводами | Позволяет возвращать целостные научные цепочки |
| Агент-верификатор | Проверяет согласованность найденных данных, отсеивает противоречивые фрагменты | Повышает точность ответов на 35% по сравнению с классическим RAG |
В отличие от стандартного подхода, где вся логика зашита в один промпт, Science‑purpose‑RAG работает как конвейер: каждый агент передаёт результат следующему, а финальный ответ собирается только после прохождения всех этапов. Ключевая инновация — агент-навигатор, который не просто ищет похожие тексты, а реконструирует логическую структуру научной работы.
Технически это реализовано через гибридный индекс: векторные эмбеддинги для семантического поиска комбинируются с графовой базой знаний, где каждый документ разбит не на случайные чанки, а на логические блоки (гипотеза, метод, данные, вывод, обсуждение). При запросе агент-навигатор строит путь от запроса пользователя к релевантным блокам, двигаясь по графу, а не просто по косинусному расстоянию.
Кейс: внедрение в корпоративной R&D-лаборатории
Чтобы проверить эффективность, разработчики провели эксперимент на реальных данных — 5000 статей из области физики твёрдого тела. Задача: отвечать на сложные вопросы, требующие синтеза информации из нескольких источников. Например: «Какая зависимость между температурой отжига и размером кристаллитов в нанокомпозитах на основе оксида цинка?»
Метрики сравнения:
| Параметр | Классический RAG | Science‑purpose‑RAG |
|---|---|---|
| Точность (Precision) | 62% | 84% |
| Полнота (Recall) | 58% | 79% |
| Среднее время ответа | 2.3 сек | 4.1 сек |
| Доля ответов с противоречиями | 18% | 3% |
Как видно, Science‑purpose‑RAG проигрывает по скорости (4.1 сек против 2.3 сек), но выигрывает по всем качественным метрикам. Для научных задач, где точность важнее скорости, это более чем оправданный компромисс.
Особенно интересен показатель снижения противоречий с 18% до 3%. В классическом RAG агент часто склеивал данные из разных разделов, которые противоречили друг другу (например, брал вывод из одной статьи и методику из другой, где условия эксперимента различались). Science‑purpose‑RAG благодаря агенту-верификатору отсеивает такие конфликты на этапе сборки ответа.
Технические детали: что под капотом
Разберём архитектуру чуть глубже. Science‑purpose‑RAG использует:
- LLM-бэкбон: В качестве генеративной основы используется модель, способная к многократному вызову (multi-turn reasoning). Это не просто single-shot генерация, а итеративный процесс, где каждый агент может запросить уточнение у предыдущего.
- Графовая база знаний: Документы индексируются не как плоские тексты, а как узлы графа. Связи между узлами — это не просто ссылки, а типизированные отношения: «подтверждает», «опровергает», «дополняет», «является частным случаем».
- Динамический чанкинг: Размер и границы чанков не фиксированы. Агент-навигатор определяет логические границы блоков на основе структуры документа (заголовки, секции, списки литературы).
Для корпоративных внедрений, где критична интеграция с существующими системами, подобные агентные подходы открывают новые возможности. Например, компаниям, работающим с патентными базами или медицинскими исследованиями, требуется не просто поиск, а построение доказательных цепочек. ASI Biont поддерживает подключение к корпоративным базам знаний через API — подробнее на asibiont.com.
Результаты и выводы
Главный вывод из этого кейса: RAG в его классическом виде достиг своего потолка для сложных научных задач. Дальнейшее улучшение точности возможно только через агентные архитектуры, где система не просто ищет, а рассуждает.
Science‑purpose‑RAG показывает, как можно:
- Повысить точность на 20+ процентных пунктов без смены LLM
- Снизить количество галлюцинаций за счёт верификации на графе знаний
- Обрабатывать запросы, требующие синтеза из 5–10 разных источников
Однако есть и ограничения. Время ответа выросло почти вдвое. Для реального времени (чат-боты, операторские интерфейсы) это может быть критично. Кроме того, построение графа знаний требует ручной разметки структуры документов, что увеличивает затраты на внедрение.
Что дальше?
Многие компании уже начали адаптировать этот подход. В ближайшие год-два мы увидим появление open-source инструментов для автоматического построения графов знаний из научных PDF. Также вероятно появление гибридных моделей, где классический RAG используется для быстрых ответов, а Science‑purpose‑RAG — для глубоких аналитических запросов.
Для специалистов по AI-интеграции это сигнал: пора перестать думать о RAG как о простой связке «эмбеддинги + LLM». Будущее — за агентными архитектурами, где каждый этап обработки данных выполняется специализированным агентом, а человек лишь задаёт направление.
Заключение
Science‑purpose‑RAG — это не очередной хайп, а эволюционно необходимый шаг. Когда мы переходим от поиска по общим текстам к работе со специализированными научными данными, классические методы дают сбой. Новая архитектура решает эту проблему, жертвуя скоростью в пользу глубины и точности.
Для корпоративных R&D-команд, которые хотят внедрять AI не ради галочки, а для реального ускорения исследований, Science‑purpose‑RAG — это рабочий инструмент. Главное — правильно оценить свои потребности: если вам нужны быстрые ответы на простые вопросы — классический RAG всё ещё хорош. Если же задача — глубокий анализ с построением доказательных цепочек — пора смотреть в сторону агентных архитектур.
Полный текст исследования доступен на Habr по ссылке Источник. Рекомендую прочитать оригинал — там есть детали реализации и код.
Комментарии