Details

В выпускной квалификационной работе разработана многоагентная интеллектуальная система генерации ответов на вопросы пользователя в профильном домене с применением архитектуры Retrieval-Augmented Generation. Объект исследования — многоагентные системы вопросно-ответного поиска по корпусам русскоязычных документов; предмет — методы повышения точности ответов за счёт морфологически-осведомлённого переранжирования и гибридного поиска. Разработан пятиагентный конвейер: маршрутизатор, нормализатор запроса, агент контекста, генератор ответов и агент верификации. Поисковый компонент совмещает семантический и ключевой поиск, результаты которых объединяются ранжирующим алгоритмом. Четырёхфакторный реранкер учитывает семантическое сходство, морфологически нормализованное лексическое покрытие на основе pymorphy3, точное вхождение подфразы и позицию совпадения в тексте; алгоритм не требует размеченных обучающих пар. Детерминированный агент верификации оценивает обоснованность ответа без повторного вызова языковой модели. Реализованы span-level цитирование с привязкой к файлу, разделу и номеру страницы, REST API и веб-интерфейс. Система поддерживает два режима генерации: облачный через OpenAI API и автономный локальный через Ollama. Экспериментальное исследование проведено на трёх корпусах объёмом 655–1136 чанков: учебно–методическая документация СПбПУ, клинические рекомендации Минздрава РФ и нормативные акты ЦБ РФ. Разработанная система статистически значимо превосходит изолированный вызов языковой модели и LlamaIndex в конфигурации по умолчанию. Область применения — образовательные учреждения, корпоративные базы знаний и организации с требованиями к локальной обработке данных согласно Федеральному закону № 152-ФЗ.

This bachelor thesis presents a multi-agent intelligent system for answering user queries in a domain-specific context using the Retrieval-Augmented Generation (RAG) architecture. The research object is multi-agent question-answering systems over Russian-language document corpora; the subject is methods for improving answer accuracy through morphology-aware reranking and hybrid search. A five-agent pipeline is developed: query router, query rewriter, context agent, answer generator, and verifier agent. The retrieval component combines semantic and keyword search, merging their results with a ranking algorithm. A four-factor reranker incorporates semantic similarity, morphologically normalized lexical coverage via pymorphy3, exact phrase match, and match position; no labeled training pairs are required. A deterministic verifier assesses answer grounding without additional language model calls. Span-level citation with file, section, and page attribution, a REST API, and a Streamlit web interface are implemented. Two generation modes are supported: cloud-based via OpenAI API and fully offline via Ollama. Experimental evaluation is conducted on three domain-specific corpora of 655–1136 chunks covering university administrative documents, clinical guidelines, and financial regulatory acts. The developed system significantly outperforms standalone LLM inference and LlamaIndex in default configuration with statistical significance. Application domains include educational institutions, corporate knowledge bases, and organizations subject to data localization requirements under Federal Law No. 152-FZ.

• Мультиагентная интеллектуальная система генерации ответов на вопросы пользователя в профильном домене с использованием Retrieval-Augmented Generation для повышения точности ответов
  • Введение
  • 1. Обзор технологий RAG и методов документного поиска
  • 2. Проектирование многоагентной RAG-системы
  • 3. Программная реализация многоагентной RAG-системы
  • 4. Экспериментальное исследование и сравнительный анализ
  • Заключение
  • Список сокращений и условных обозначений
  • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
  • Приложение 1 Архитектурная схема многоагентного конвейера
  • Приложение 2 Описание REST API с примерами запросов
  • Приложение 3 Скриншоты веб-интерфейса
  • Приложение 4 Фрагменты ключевого исходного кода
  • Приложение 5 Контрольные вопросы и эталонные ответы