03. PDF Q&A Agent: вопросы по документу
Минимальный, но полноценный RAG-конвейер: один документ, индекс, вопросы. Хороший эталон для понимания того, из каких шагов состоит поиск по документам.
Загрузить PDF и отвечать на вопросы по его содержанию. Два режима: один вопрос и интерактивный диалог с историей. Граница: агент отвечает только по документу и не проверяет факты вне него.
Архитектура
Заголовок раздела «Архитектура»flowchart LR P["PDF"] --> R["Reader"] R --> N["Фрагменты"] N --> I["Индекс"] Q["Вопрос"] --> E["Поиск"] I --> E E --> M["Модель"] M --> A["Ответ"] H["История"] --> M
LlamaIndex берёт на себя чтение, разбиение и индексацию; скрипт — обвязка вокруг query engine.
SimpleDirectoryReaderчитает PDF.VectorStoreIndex.from_documentsстроит векторный индекс.as_query_engineсоздаёт движок запросов.- Вопрос уходит в движок; при диалоговом режиме в контекст добавляется история.
Что в коде
Заголовок раздела «Что в коде»documents = SimpleDirectoryReader(input_files=[pdf_path]).load_data()index = VectorStoreIndex.from_documents(documents)engine = index.as_query_engine(similarity_top_k=4)print(engine.query(question))Чему учит
Заголовок раздела «Чему учит»- RAG — это конвейер, а не вызов. Качество определяется чтением, разбиением и
выбором
top_k, а не моделью. - История в диалоге помогает уточняющим вопросам, но увеличивает стоимость.
- Индекс строится один раз на документ; в скрипте он в памяти, поэтому каждый запуск начинает заново.
Где сломается
Заголовок раздела «Где сломается»- Разбиение по умолчанию. Для документов с таблицами и колонками оно часто неверно.
- Нет ссылок на страницы. Ответ нельзя проверить по первоисточнику.
top_k=4фиксирован. Для больших документов этого мало, для маленьких — много.- Нет отказа. На вопрос вне документа движок всё равно вернёт «похожий» ответ.
- Только векторный поиск. Артикулы и коды находятся плохо.
Как улучшить
Заголовок раздела «Как улучшить»- Добавить метаданные (номер страницы) и требовать цитату в ответе.
- Включить гибридный поиск и переранжирование — см. RAG.
- Кэшировать индекс на диск, чтобы не строить его при каждом запуске.
- Явно обрабатывать случай «в документе нет ответа».
Связь с другими разделами
Заголовок раздела «Связь с другими разделами»- RAG: поиск и генерация — решения, определяющие качество.
- Документы и исследования — домен.
- LlamaIndex — фреймворк.
Материалы и источники
Заголовок раздела «Материалы и источники»- LlamaIndex: query engines — устройство движка запросов.