RAG для библиотечного каталога: как подключить базу знаний к AI-чат-боту

Библиотечный чат-бот должен отвечать точно по каталогу, а не выдумывать книги, которых не существует. RAG (Retrieval-Augmented Generation) — технология, которая решает эту задачу: чат-бот сначала ищет информацию в вашей базе знаний, а затем формулирует ответ на основе найденного. Читатель получает не сухой список книг, а связный ответ: «По этой теме у нас есть три книги, самая подробная — „Основы машинного обучения» Мёрфи, она доступна в читальном зале на третьем этаже». В 2026 году RAG стал стандартным подходом для корпоративных чат-ботов, и библиотеки начали внедрять его для работы с каталогами. Разбираем, как работает технология, какие компоненты нужны и как начать внедрение. Подробнее о чат-ботах для библиотек — в статье «AI-чат-бот для библиотеки: функции и примеры».

Проблема: почему обычный чат-бот не работает с каталогом

Большие языковые модели (GPT-4, Claude, GigaChat) умеют отвечать на вопросы, но не знают содержимое конкретного библиотечного каталога. Если читатель спросит: «Какие книги по машинному обучению есть в вашей библиотеке?», модель выдаст список известных книг по теме, но не проверит, есть ли они у вас на полках.

Галлюцинации — главная проблема

Языковая модель генерирует правдоподобные, но выдуманные ответы. Она может назвать книгу, которой нет в вашем фонде, или указать неправильный шифр хранения. Для библиотечного сервиса это недопустимо: читатель придёт за книгой и не найдёт её.

Примеры галлюцинаций:

• Модель называет книгу «Глубокое обучение для чайников» — такой книги не существует
• Указывает автора книги неверно — перепутала с другой работой
• Сообщает, что книга «есть в наличии», хотя модель не подключена к системе учёта
• Выдумывает шифр хранения, который выглядит правдоподобно (например, «681.3 Г12»)

Почему нельзя просто обучить модель на каталоге

Дообучение (fine-tuning) языковой модели на данных каталога — дорого, долго и неэффективно. Каталог меняется: приходят новые книги, списываются старые, меняется наличие. После каждого обновления пришлось бы переобучать модель. RAG решает эту проблему элегантнее: модель остаётся стандартной, а данные подключаются отдельно и обновляются без переобучения.

Что такое RAG и как он решает проблему

RAG (Retrieval-Augmented Generation, генерация с дополнением извлечением) — архитектурный паттерн, при котором языковая модель получает релевантный контекст из внешней базы знаний перед генерацией ответа.

Принцип работы

1. Читатель задаёт вопрос: «Какие книги по нейросетям есть в библиотеке?»
2. Система ищет релевантные записи в каталоге с помощью семантического поиска (не по ключевым словам, а по смыслу)
3. Найденные записи передаются модели вместе с вопросом: «Вот 5 релевантных книг из каталога. Ответь на вопрос читателя на основе этих данных»
4. Модель генерирует ответ на основе реальных данных, а не общих знаний

Результат: чат-бот отвечает только тем, что есть в каталоге. Если книги нет — так и скажет. Если есть — укажет точное название, автора, местонахождение, наличие.

Семантический поиск vs ключевые слова

Традиционный поиск по каталогу работает по ключевым словам: запрос «нейросети» найдёт книги со словом «нейросети» в названии или описании. Семантический поиск понимает смысл: запрос «нейросети» найдёт также «глубокое обучение», «искусственные нейронные сети», «машинное обучение» — потому что это близкие по смыслу темы.

Для семантического поиска каждая запись каталога преобразуется в вектор (числовое представление смысла). При запросе вычисляется вектор вопроса, и система находит записи с наиболее близкими векторами. Об интеграции каталога с AI подробнее — в статье «Как подключить библиотечный каталог к AI».

Архитектура RAG-системы для библиотеки

RAG-система для библиотеки состоит из нескольких компонентов, которые работают вместе.

Схема архитектуры

Компонент	Функция	Примеры технологий
Библиотечный каталог	Источник данных: записи о книгах, наличие, местонахождение	MARC, RUSMARC, АБИС (ИРБИС, Koha, Aleph)
Индексатор	Преобразует записи каталога в векторы	OpenAI Embeddings, Cohere, E5, ruBERT
Векторная база	Хранит векторы и выполняет семантический поиск	Pinecone, Qdrant, Weaviate, Chroma, pgvector
Ретривер	По запросу пользователя находит релевантные записи	LangChain, LlamaIndex, Haystack
Языковая модель (LLM)	Генерирует ответ на основе найденного контекста	GPT-4, Claude, GigaChat, YandexGPT
Интерфейс чат-бота	Принимает вопросы, отображает ответы	VK-бот, Telegram-бот, веб-виджет

Поток данных

1. Индексация (разовая + инкрементальная): записи каталога экспортируются, преобразуются в текст, каждая запись превращается в вектор, векторы загружаются в векторную базу
2. Запрос читателя: вопрос превращается в вектор тем же методом
3. Поиск: векторная база находит N записей с наиболее близкими векторами (обычно top-5 или top-10)
4. Промпт: найденные записи вставляются в промпт для языковой модели: «Вот данные из каталога: [записи]. Ответь на вопрос читателя: [вопрос]»
5. Генерация: модель формулирует ответ, опираясь на данные из контекста
6. Ответ: чат-бот показывает ответ читателю

Ключевые компоненты: что нужно для внедрения

1. Данные каталога в текстовом формате

RAG работает с текстом. Из каталога нужно извлечь данные в формат, пригодный для индексации:

• Название книги
• Автор(ы)
• Издательство, год, ISBN
• Аннотация (если есть)
• Ключевые слова, предметные рубрики
• Шифр хранения, местонахождение
• Наличие (на полке / выдана / в обработке)

Пример текстовой записи для индексации:

Название: Глубокое обучение
Автор: Ян Гудфеллоу, Иошуа Бенджио, Аарон Курвиль
Год: 2018
Издательство: ДМК Пресс
ISBN: 978-5-97060-618-6
Аннотация: Исчерпывающее введение в глубокое обучение,
охватывающее математические основы, архитектуры нейросетей,
методы обучения и практические приложения.
Рубрики: Машинное обучение, Нейронные сети, Искусственный интеллект
Шифр: 004.8 Г85
Местонахождение: Читальный зал, 3-й этаж, стеллаж 12
Наличие: Доступна

2. Модель для создания эмбеддингов

Эмбеддинг (embedding) — векторное представление текста. Для русскоязычного каталога подходят:

• OpenAI text-embedding-3-small/large — высокое качество, платно (0.00002–0.00013$ за 1000 токенов)
• Cohere embed-multilingual-v3.0 — хорошо работает с русским, платно
• E5-large-v2 — open-source, можно запустить локально
• ruBERT-large — обучен на русском корпусе, бесплатно

Размерность векторов: от 384 до 3072 измерений. Чем выше размерность, тем точнее поиск, но больше требуется памяти.

3. Векторная база данных

Хранит векторы и выполняет быстрый поиск ближайших соседей.

База	Тип	Стоимость	Особенности
Pinecone	Облачная	От 0$ (starter) до 70$/мес	Проще всего начать, масштабируется автоматически
Qdrant	Open-source / облако	Бесплатно (self-hosted) или от 0$	Гибкая фильтрация, хорошая производительность
Weaviate	Open-source / облако	Бесплатно (self-hosted)	Встроенные модели эмбеддингов
Chroma	Open-source	Бесплатно	Простая, для прототипов и небольших коллекций
pgvector	Расширение PostgreSQL	Бесплатно	Если уже используете PostgreSQL

4. Языковая модель

Для генерации ответов подходят:

• GPT-4 / GPT-4o — высокое качество, английский и русский
• Claude 3.5 Sonnet — хорошее качество, большой контекст (200K токенов)
• GigaChat — российская модель, работает с русским языком, доступна для бизнеса
• YandexGPT — российская модель, интеграция с экосистемой Яндекса

Выбор модели: для русскоязычной библиотеки GigaChat или YandexGPT могут быть предпочтительнее: данные не уходят за рубеж, лучше понимают русский контекст, есть техподдержка на русском.

5. Оркестратор (фреймворк)

Связывает компоненты в единую систему:

• LangChain — популярный фреймворк, много интеграций, активное сообщество
• LlamaIndex — специализирован на работе с документами, проще для RAG
• Haystack — хорош для поисковых задач, enterprise-ready
• Собственная интеграция — если нужен полный контроль, можно собрать из отдельных библиотек

Пошаговое внедрение RAG в библиотечный чат-бот

Шаг 1. Экспорт каталога

Выгрузите данные каталога в структурированный формат (JSON, CSV). Из ИРБИС — через стандартный экспорт, из Koha — через API или SQL-запрос к базе. Включите все поля, которые могут быть полезны для поиска.

Что включить:

• Библиографическое описание (название, автор, год, издательство)
• Аннотации и содержание (если есть)
• Предметные рубрики и ключевые слова
• Шифр хранения и местонахождение
• Статус наличия (интеграция с системой учёта)

Шаг 2. Подготовка текстов для индексации

Преобразуйте записи каталога в текстовый формат. Объедините все поля в связный текст, который будет индексироваться.

Чанкинг (разбиение на фрагменты): если записи длинные (например, полнотекстовые документы), разбейте их на фрагменты по 500–1000 токенов с перекрытием. Для библиографических записей обычно чанкинг не нужен — каждая запись помещается целиком.

Шаг 3. Создание эмбеддингов

Пропустите каждую запись через модель эмбеддингов. Для 100 000 записей каталога это займёт несколько минут (облачные API) или несколько часов (локальная модель на CPU).

Шаг 4. Загрузка в векторную базу

Загрузите векторы в выбранную базу. Сохраните вместе с вектором метаданные: ID записи в каталоге, название, автора — чтобы потом включить их в ответ.

Шаг 5. Настройка ретривера

Определите параметры поиска:

• top_k — сколько записей возвращать (обычно 5–10)
• порог схожести — минимальный score для включения в результаты
• фильтры — по отделу, по типу издания, по наличию

Шаг 6. Написание промпта

Промпт определяет, как модель будет отвечать. Включите:

• Роль: «Ты — библиотечный ассистент»
• Инструкции: «Отвечай только на основе предоставленных данных»
• Формат: «Указывай название, автора, местонахождение»
• Ограничения: «Если книги нет в каталоге — так и скажи»

Пример промпта:

Ты — ассистент библиотеки. Отвечай на вопросы читателей
на основе данных из каталога, которые приведены ниже.

Правила:
- Отвечай только на основе данных из каталога
- Если нужной книги нет — скажи об этом
- Указывай название, автора, местонахождение, наличие
- Будь вежлив и краток

Данные из каталога:
{контекст}

Вопрос читателя: {вопрос}

Шаг 7. Интеграция с интерфейсом

Подключите RAG-систему к интерфейсу чат-бота: VK-бот, Telegram-бот или веб-виджет на сайте библиотеки. О создании чат-бота для библиотеки — в статье «Как создать чат-бота для библиотеки».

Шаг 8. Тестирование

Проверьте работу на реальных запросах:

• Поиск по автору: «Что есть из Достоевского?»
• Поиск по теме: «Книги про машинное обучение»
• Поиск конкретной книги: «Есть ли „Война и мир»?»
• Проверка на галлюцинации: спросите о книге, которой точно нет

Примеры внедрения в библиотеках

Российская государственная библиотека + MWS AI

В июле 2026 года РГБ объявила о партнёрстве с MWS AI для создания ИИ-платформы автоматизации библиотечной отрасли. Одно из направлений — интеллектуальный поиск по научным фондам с использованием RAG. Платформа позволяет задавать вопросы на естественном языке и получать ответы с указанием источников из фонда библиотеки.

University of Michigan Library

Библиотека Мичиганского университета запустила AI-powered chat service, который отвечает на вопросы студентов о доступности ресурсов и методах исследования 24/7. Система использует RAG для подключения к каталогу и базе знаний библиотеки. Результат: сокращение рутинных запросов к библиотекарям, возможность сосредоточиться на сложных консультациях.

Imperial College London Library

Библиотека Имперского колледжа внедрила RAG-систему для ответов на вопросы по научным публикациям. Студенты и исследователи задают вопросы, система находит релевантные статьи в базе и формирует ответ с цитатами и ссылками на источники.

Типичные ошибки и как их избежать

Ошибка 1. Слишком мало контекста в промпте

Проблема: модель получает только 2–3 записи, этого недостаточно для полного ответа.

Решение: увеличьте top_k до 5–10. Следите за лимитом контекста модели: GPT-4 принимает до 128K токенов, Claude — до 200K.

Ошибка 2. Плохое качество данных каталога

Проблема: аннотации пустые или содержат мусор, рубрики присвоены неверно — семантический поиск работает плохо.

Решение: перед индексацией очистите данные. Добавьте аннотации к записям без описания. Проверьте рубрики на релевантность.

Ошибка 3. Модель игнорирует контекст

Проблема: несмотря на наличие данных в контексте, модель отвечает общими фразами или выдумывает.

Решение: усильте инструкции в промпте: «Отвечай ТОЛЬКО на основе предоставленных данных. Если информации нет в контексте — скажи, что не знаешь». Добавьте примеры правильных ответов (few-shot prompting).

Ошибка 4. Индекс не обновляется

Проблема: в каталог добавили новые книги, но чат-бот их не находит — индекс устарел.

Решение: настройте инкрементальную индексацию: раз в день (или при каждом изменении) добавляйте новые записи в векторную базу. Удаляйте записи о списанных книгах.

Ошибка 5. Нет информации о наличии

Проблема: чат-бот говорит, что книга есть, но не знает, доступна ли она сейчас.

Решение: интегрируйте RAG-систему с системой учёта (АБИС). При ответе проверяйте актуальный статус книги в реальном времени или обновляйте индекс несколько раз в день.

Agentic RAG: следующий шаг

В 2026 году развивается новый подход — Agentic RAG. В нём AI-агент не просто выполняет один поиск, а планирует последовательность действий, использует несколько инструментов, уточняет запросы.

Чем отличается от обычного RAG

Обычный RAG	Agentic RAG
Один запрос → один поиск → один ответ	Планирование → несколько запросов → синтез ответа
Не уточняет запрос	Задаёт уточняющие вопросы, если нужно
Один источник данных	Несколько источников: каталог, расписание, база знаний
Только отвечает	Может выполнять действия: бронировать, продлевать

Пример агентного сценария: читатель спрашивает: «Можно ли почитать что-то по теме диплома — нейросети для обработки естественного языка?». Агент:

1. Разбирает запрос на подтемы: NLP, нейросети, машинное обучение
2. Делает несколько поисков по каталогу
3. Проверяет наличие книг
4. Формирует подборку с рекомендациями
5. Предлагает забронировать книги

Подробнее о различиях между агентами и чат-ботами — в статье «ИИ-агенты vs чат-боты в библиотеке».