{"id":454947,"date":"2025-04-06T15:00:55","date_gmt":"2025-04-06T15:00:55","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=454947"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=454947","title":{"rendered":"Fine tuning \u0438\u043b\u0438 RAG. \u0427\u0442\u043e \u0432\u044b\u0431\u0440\u0430\u0442\u044c?<\/span>"},"content":{"rendered":"
<\/div>\n
\n
\n
\n
\n
\n

\u0414\u0435\u043c\u043e \u043f\u0440\u043e\u0435\u043a\u0442 \u0441 RAG \u043f\u043e\u0438\u0441\u043a\u043e\u043c \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u043f\u043e \u0441\u0441\u044b\u043b\u043a\u0435<\/a><\/p>\n<\/blockquote>\n

\u041f\u0440\u0438 \u0440\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u043a\u0435 \u0418\u0418 \u0447\u0430\u0442\u043e\u0432 \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0443\u0435\u0442 \u0434\u0432\u0430 \u0441\u043f\u043e\u0441\u043e\u0431\u0430 \u0438\u043d\u0442\u0435\u0433\u0440\u0430\u0446\u0438\u0438 \u0432\u043d\u0435\u0448\u043d\u0438\u0445 \u0434\u0430\u043d\u043d\u044b\u0445: RAG \u0445\u0440\u0430\u043d\u0438\u043b\u0438\u0449\u0430 \u0438 Fine tuning. \u0414\u043b\u044f \u043d\u0435 \u0442\u0435\u0445\u043d\u0430\u0440\u044f \u043e\u0442\u043b\u0438\u0447\u0438\u044f \u043d\u0435 \u043e\u0447\u0435\u0432\u0438\u0434\u043d\u044b, \u044f \u0441\u0442\u043e\u043b\u043a\u043d\u0443\u043b\u0441\u044f \u0441 \u043c\u043d\u0435\u043d\u0438\u0435\u043c \u043c\u0435\u043d\u0435\u0434\u0436\u0435\u0440\u0430 \u043f\u0440\u043e\u0435\u043a\u0442\u0430, \u0447\u0442\u043e \u043f\u0435\u0440\u0432\u043e\u0435 \u044d\u0442\u043e \u043d\u043e\u0432\u0430\u044f \u0432\u0435\u0440\u0441\u0438\u044f \u0432\u0442\u043e\u0440\u043e\u0433\u043e. \u042d\u0442\u043e \u043d\u0435 \u0442\u0430\u043a. \u041f\u043e\u044d\u0442\u043e\u043c\u0443, \u044f \u0441\u0434\u0435\u043b\u0430\u043b short summary, \u0447\u0442\u043e\u0431\u044b \u043f\u043e \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0443 \u0438\u0437\u043b\u043e\u0436\u0438\u0442\u044c \u043f\u043b\u044e\u0441\u044b \u0438 \u043c\u0438\u043d\u0443\u0441\u044b \u0434\u0432\u0443\u0445 \u0440\u0435\u0448\u0435\u043d\u0438\u0439<\/p>\n

<\/figure>\n

\u0427\u0442\u043e \u0442\u0430\u043a\u043e\u0435 RAG?<\/h2>\n

\u042f\u0437\u044b\u043a\u043e\u0432\u044b\u0435 \u043c\u043e\u0434\u0435\u043b\u0438 \u0443\u043c\u0435\u044e\u0442 \u0437\u0430\u043f\u0443\u0441\u043a\u0430\u0442\u044c python\/javascript<\/code> \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u0447\u0435\u0440\u0435\u0437 tool_calls<\/a>. \u0414\u0435\u043b\u0430\u0435\u0442\u0441\u044f \u0442\u0430\u043a\u0430\u044f \u0444\u0443\u043d\u043a\u0446\u0438\u044f, \u0435\u0439 \u043d\u0430 \u0432\u0445\u043e\u0434 \u043f\u0430\u0434\u0430\u0435\u0442 \u0430\u0440\u0433\u0443\u043c\u0435\u043d\u0442 search<\/code><\/p>\n

import { addTool } from \"agent-swarm-kit\";  addTool({   type: \"function\",   call: async ({ params }) => {      console.log(params.search) \/\/ \u0421\u0442\u0440\u043e\u043a\u0430, \u043c\u043e\u0436\u0435\u0442 \u0441\u043e\u0434\u0435\u0440\u0436\u0430\u0442\u044c \u0438\u043c\u044f \u0442\u0435\u043b\u0435\u0444\u043e\u043d\u0430, \u0435\u0433\u043e \u043c\u043e\u0434\u0435\u043b\u044c,                                 \/\/ \u0435\u0433\u043e \u0445\u0430\u0440\u0430\u043a\u0442\u0435\u0440\u0438\u0441\u0442\u0438\u043a\u0438. \u0427\u0435\u043b\u043e\u0432\u0435\u0447\u0435\u0441\u043a\u0438\u043c\u0438 \u0441\u043b\u043e\u0432\u0430\u043c\u0438        },   function: {     name: ToolName.SearchPhoneTool,     description: \"Allows finding a phone using contextual search\",     parameters: {       type: \"object\",       properties: {         search: {           type: \"string\",           description:             \"A set of keywords for embedding search. Write the query in Russian\",         },       },       required: [\"search\"],     },   }, }); <\/code><\/pre>\n
\u0414\u0430\u043b\u0435\u0435 \u044d\u0442\u0430 \u0441\u0442\u0440\u043e\u043a\u0430 search <\/code>\u043f\u0435\u0440\u0435\u0434\u0430\u0435\u0442\u0441\u044f \u0432 \u0431\u0430\u0437\u0443 \u0434\u0430\u043d\u043d\u044b\u0445. \u0411\u0430\u0437\u0430 \u0434\u0430\u043d\u043d\u044b\u0445 \u0434\u0435\u043b\u0430\u0435\u0442 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0435\u0435<\/p>\n
const createEmbedding: async (text: string): number[] => {   \/\/    \/\/ \u0412 \u043f\u0440\u043e\u0434\u0435 \u043b\u0443\u0447\u0448\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c OpenAI    \/\/ https:\/\/platform.openai.com\/docs\/guides\/embeddings\/embedding-models   \/\/   const { embedding } = await ollama.embeddings({     model: \"nomic-embed-text\",     prompt: text,   });   return embedding; };  const calculateSimilarity = async (a: number[], b: number[]): number => {   const cosineSimilarity = 0.42;   \/\/ \u0421\u0445\u043e\u0436\u0435\u0441\u0442\u044c \u0434\u0432\u0443\u0445 embedding \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u0435\u0442\u0441\u044f \u0441\u043b\u043e\u0436\u043d\u043e\u0439                                    \/\/ \u043c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0439 \u0444\u043e\u0440\u043c\u0443\u043b\u043e\u0439 \u043b\u0435\u0433\u043a\u043e \u0433\u0435\u043d\u0435\u0440\u0438\u0440\u0443\u0435\u043c\u043e\u0439                                     \/\/ \u0432 Grok...                                     \/\/                                    \/\/ \u041b\u044e\u0434\u0438 \u043d\u0435 \u043d\u0443\u0436\u043d\u044b, \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u043e\u0440\u0430 \u0432\u044b\u0448\u043c\u0430\u0442\u0430   return cosineSimilarity; };  ...  const sortedItems = new SortedArray<IStorageItem>(); const searchVector = await createVector(filterData.search);  for (const item of data) {    \/\/    \/\/ \u0415\u0441\u043b\u0438 \u0442\u0443\u043f\u043e \u0441\u043a\u043b\u0435\u0438\u0442\u044c \u0441\u0442\u0440\u043e\u043a\u0438 \u044d\u0442\u043e \u0438\u0441\u043a\u0430\u0437\u0438\u0442 \u0441\u043c\u044b\u0441\u043b \u0438 \u0434\u0430\u043d\u043d\u044b\u0435 \u043d\u0435 \u043d\u0430\u0439\u0434\u0443\u0442\u0441\u044f.   \/\/ \u0421\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0435\u043d\u043d\u043e, \u0434\u043b\u044f \u0418\u0418 \u043f\u043e\u0438\u0441\u043a\u0430 \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u0442\u044c \u0432\u0435\u043a\u0442\u043e\u0440 \u043d\u0443\u0436\u043d\u043e \u043d\u0430 \u043a\u0430\u0436\u0434\u0443\u044e   \/\/ \u043a\u043e\u043b\u043e\u043d\u043a\u0443 \u0431\u0430\u0437\u044b, \u043f\u043e \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u0431\u0443\u0434\u0435\u0442 \u043f\u043e\u0438\u0441\u043a   \/\/   const modelVector = await createEmbedding(item.model);   const descriptionVector = await createEmbedding(item.description);   const titleVector = await createEmbedding(item.title);    const [     modelSimilarify,     descriptionSimilarify,     titleSimilarify,   ] = await Promise.all([     calculateSimilarity(searchVector, modelVector),     calculateSimilarity(searchVector, descriptionVector),     calculateSimilarity(searchVector, titleVector),   ]);    const similarity = Math.max(     modelSimilarify,     descriptionSimilarify,     titleSimilarify   );    \/\/   \/\/ \u0424\u043e\u043a\u0443\u0441: \u0432\u0435\u043a\u0442\u043e\u0440\u043d\u044b\u0439 \u043f\u043e\u0438\u0441\u043a \u0442\u0435\u0445\u043d\u0438\u0447\u0435\u0441\u043a\u0438 \u043d\u0435 \u043c\u043e\u0436\u0435\u0442 \u0442\u043e\u0447\u043d\u043e \u0441\u043a\u0430\u0437\u0430\u0442\u044c   \/\/ \u0442\u043e \u043b\u0438 \u043e\u043d \u043d\u0430\u0448\u0435\u043b. \u041f\u043e\u044d\u0442\u043e\u043c\u0443, \u0432 \u0432\u044b\u0431\u043e\u0440\u043a\u0443 \u043f\u043e\u043f\u043e\u0434\u0430\u0435\u0442 \u043e\u0442\u0441\u043e\u0440\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0439   \/\/ \u0422\u041e\u041f \u044d\u043b\u0435\u043c\u0435\u043d\u0442\u043e\u0432 \u043f\u043e \u0443\u0431\u044b\u0432\u0430\u043d\u0438\u044e `cosineSimilarity`   \/\/   if (similarity > VECTOR_SEARCH_SIMILARITY) {     sortedItems.push(item, similarity);   } } return sortedItems.toArray(); <\/code><\/pre>\n
\u0418\u0442\u043e\u0433\u043e, \u0435\u0441\u043b\u0438 \u0432 \u0431\u0430\u0437\u0443 \u0437\u0430\u043f\u0440\u043e\u0441\u0438\u0442\u044c \u0442\u0435\u043b\u0435\u0444\u043e\u043d (\u0438\u0437\u0431\u0435\u0436\u0430\u0432 \u0430\u043d\u0433\u043b\u0438\u0446\u0438\u0437\u043c\u044b<\/s>) \u043f\u043e\u0434 \u0438\u043c\u0435\u043d\u0435\u043c \u0413\u0443\u0433\u043e\u043b \u041f\u0438\u0445\u0435\u043b\u044c, <\/strong>\u0431\u0443\u0434\u0435\u0442 \u0443\u0441\u043f\u0435\u0448\u043d\u043e \u043d\u0430\u0439\u0434\u0435\u043d Google Pixel 8 Pro,<\/strong> \u0442\u0430\u043a \u043a\u0430\u043a \u043f\u0440\u0438 \u043f\u043e\u0438\u0441\u043a\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f modelVector<\/code><\/p>\n
const createEmbedding = (text: string) => {   const words = text.toLowerCase().trim().split(\/\\s+\/);   const vector = new Float32Array(4);   words.forEach((word, index) => {     let sum = 0;     for (let i = 0; i < word.length; i++) {       sum += word.charCodeAt(i) \/ 1000;     }     vector[index % 4] += sum \/ (word.length || 1);   });   const magnitude = Math.sqrt(vector.reduce((sum, val) => sum + val * val, 0));   return Array.from(     magnitude ? vector.map((v) => v \/ magnitude) : vector   ); };<\/code><\/pre>\n
\u0420\u0435\u0430\u043b\u0438\u0437\u043e\u0432\u0430\u0442\u044c \u0442\u0430\u043a\u043e\u0439 \u043f\u043e\u0438\u0441\u043a \u043c\u043e\u0436\u043d\u043e \u0431\u0435\u0437 \u0418\u0418 \u0432\u043e\u043e\u0431\u0449\u0435, \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0432 \u043a\u0430\u043a \u043f\u043b\u043e\u0441\u043a\u043e\u0441\u0442\u044c \u043a\u043e\u043e\u0440\u0434\u0438\u043d\u0430\u0442 \u0434\u043b\u044f \u0432\u0435\u043a\u0442\u043e\u0440\u0430 \u043d\u043e\u043c\u0435\u0440 \u0441\u0438\u043c\u0432\u043e\u043b\u0430 \u0432 \u0442\u0430\u0431\u043b\u0438\u0446\u0435 \u043a\u043e\u0434\u0438\u0440\u043e\u0432\u043a\u0438. \u0415\u0441\u043b\u0438 \u0432\u044b \u043f\u043e\u043d\u0438\u043c\u0430\u0435\u0442\u0435 \u044d\u0442\u043e\u0442 \u043a\u043e\u0434, \u043c\u043e\u0436\u0435\u0442\u0435 \u043f\u0440\u0435\u0442\u0435\u043d\u0434\u043e\u0432\u0430\u0442\u044c \u043d\u0430 \u0437\u0430\u0440\u043f\u043b\u0430\u0442\u0443 6 \u0442\u044b\u0441\u044f\u0447 \u0434\u043e\u043b\u043b\u0430\u0440\u043e\u0432 \u0442\u0430\u043a \u043a\u0430\u043a \u0432\u044b LLM Engineer<\/p>\n
\u0427\u0442\u043e \u0442\u0430\u043a\u043e\u0435 Fine Tuning?<\/h2>\n
Fine tuning \u044d\u0442\u043e \u043a\u043e\u0433\u0434\u0430 \u043c\u044b \u043f\u0438\u0448\u0435\u043c \u0441\u0435\u0433\u043c\u0435\u043d\u0442 \u043f\u0435\u0440\u0435\u043f\u0438\u0441\u043a\u0438 \u0441 \u0436\u0435\u043b\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u043c \u0438 \u043d\u0435 \u0436\u0435\u043b\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u043c \u043e\u0442\u0432\u0435\u0442\u043e\u043c \u0438 \u0434\u043e\u043e\u0431\u0443\u0447\u0430\u0435\u043c \u043d\u0430 \u044d\u0442\u043e\u043c \u044f\u0437\u044b\u043a\u043e\u0432\u0443\u044e \u043c\u043e\u0434\u0435\u043b\u044c. \u0414\u0435\u0442\u0430\u043b\u044c\u043d\u0430\u044f \u0438\u043d\u0441\u0442\u0440\u0443\u043a\u0446\u0438\u044f \u043a\u0430\u043a \u0434\u043e\u043e\u0431\u0443\u0447\u0438\u0442\u044c \u043c\u043e\u0434\u0435\u043b\u044c \u0432\u044b \u043c\u043e\u0436\u0435\u0442\u0435 \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u043f\u043e \u0441\u0441\u044b\u043b\u043a\u0435<\/a><\/p>\n
\"https:\/\/agent-tune.github.io\/\"<\/p>\n
https:\/\/agent-tune.github.io\/<\/a><\/figcaption><\/div>\n<\/figure>\n
\u0417\u0430\u043f\u043e\u043b\u043d\u044f\u0435\u0442\u0435 \u043f\u0435\u0440\u0435\u043f\u0438\u0441\u043a\u0443 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u043e\u043c \u043f\u043e \u0441\u0441\u044b\u043b\u043a\u0435 \u0432\u044b\u0448\u0435, \u0437\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u0442\u0435 \u0435\u0451 \u043d\u0430 \u0441\u0430\u0439\u0442 OpenAI \u0438 \u0433\u043e\u0442\u043e\u0432\u043e… \u041a \u0441\u043b\u043e\u0432\u0443 (\u0434\u0430\u043b\u0435\u0435 \u0443\u0434\u0435\u043b\u0435\u043d\u043e \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e\u0435 \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435), \u043c\u043e\u0436\u043d\u043e \u0433\u0435\u043d\u0435\u0440\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0441\u0438\u043d\u0442\u0435\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0435 \u0434\u0430\u043d\u043d\u044b\u0435 \u043f\u0435\u0440\u0435\u043f\u0438\u0441\u043e\u043a \u043f\u043e \u0431\u0430\u0437\u0435, \u0438 \u043e\u0431\u043d\u043e\u0432\u043b\u044f\u0442\u044c \u0437\u043d\u0430\u043d\u0438\u044f \u0447\u0430\u0442\u0430 \u0444\u043e\u043d\u043e\u0432\u044b\u043c \u0441\u043a\u0440\u0438\u043f\u0442\u043e\u043c:<\/p>\n
\u041f\u043b\u044e\u0441\u044b \u0438 \u043c\u0438\u043d\u0443\u0441\u0443 \u0434\u0432\u0443\u0445 \u043c\u0435\u0442\u043e\u0434\u043e\u0432<\/h2>\n
\u0422\u0435\u0437\u0438\u0441\u044b, \u0438\u0441\u0445\u043e\u0434\u044f \u0438\u0437 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u044f \u0434\u0435\u043b\u0430\u044e \u0432\u0435\u0440\u0434\u0438\u043a\u0442<\/p>\n
RAG \u043f\u043e\u0434\u0440\u0430\u0437\u0443\u043c\u0435\u0432\u0430\u0435\u0442 tool_call, \u043f\u043e\u043c\u0438\u043c\u043e \u043e\u043f\u043b\u0430\u0442\u044b \u0433\u0435\u043d\u0435\u0440\u0430\u0446\u0438\u0438 embedding.<\/strong><\/p>\n