RAG и векторный поиск в 1С:Элементе — простое объяснение и первая реализация

В этом видео разбираю, что такое RAG, embedding и векторный поиск, простыми словами и на практическом примере на 1С:Элемент. Показываю: — зачем нужен RAG и почему нельзя просто передавать в модель всю базу знаний — как работает векторный поиск и что такое семантическая близость — как получить embedding для текста — как вычислять схожесть векторов — как реализовать простейший векторный поиск на 1С:Элемент без отдельной векторной БД — как отбирать top-k результатов и задавать порог релевантности В видео делаем первую рабочую реализацию retrieval-части RAG: создаём структуру хранения данных, сохраняем embedding, сравниваем векторы и проверяем поиск на примерах. В следующем видео можно будет пойти дальше: загрузка базы знаний из файла, разбиение на чанки и полноценные ответы LLM с опорой на найденный контекст. Таймкоды: 00:00 Введение 01:46 Что такое RAG и зачем он нужен 05:38 Что такое векторный поиск и embedding 09:03 Общая схема работы RAG 12:02 Embedding и косинусная схожесть 16:49 Реализация векторного поиска на 1С:Элемент 39:31 Проверка на примерах 49:47 Итоги и что будет дальше #AIAgents