Палітра RAG для падчыннай політыкі кадроў з LangChain і LangGraph

Паспорт, які раскрывае процес прыему даных, адгутаванне MMR, запиты, які урахоўваюць історыю, перакананні ў безпецы, хукі для ацэнкі і UX для чату з калькама роўнаў.

Введэнне

Для аддзела кадраў у большых компаніях недастатнька проста генераваная адпаведзь. Памочны прыстрой для правіл не павінен выдумваць правіла выпачкі на адвароте пад час прадзейнавання. Ён должен адгутаваць затверджаныя дакументы і падкрэпляць кожны тверджэння цімі джэрамі. Гэта і є задача методу генеравання з адгутаваннем даных (RAG).

Модульная система запитанняў і адказоў па правілам пра кадры у стыле прымення можа аб’еднаваць Python, LangChain, LangGraph, чат-модель сумесную з OpenAI, ChromaDB, Streamlit, эмбеддінгі, методы адзыскання дадзэнняў MMR, перапісва запитоў з урахаваннем історыі, проектаванне запрошэнняў, модерацыю вхідных дадзэнняў, перакантрольванне вставкі запрошэнняў, ацэнку адзыскання дадзэнняў, памяць для канверсацый, стварэнне падсумкаў і экспорт у формат PDF. Мета — не дэмаверсія чат-бота, а система RAG, якая серьёзна ставіцца да якосці адзыскання дадзэнняў, контексту канверсацій, безпекі, ацэнкі і зручнасці выкарыстоўвання.

1. Проблема

Калі хтось запытае: «Сколькі дзён відпачыку з прычыны хворобы дазволены?», звычны LLM можа выдумаць адказ. У свою чаргу, асистент з пытанняў пра кадры должен:

1. Зрозумець запыт
2. Пашукаць дакументы організацыі, прынятныя для кадровай справы
3. Адзыскаць найболей релевантныя часткі
4. Перадаць гэтыя часткі моделі
5. Стварыць адказ, базаваны на іх

Наводзіце джэрела, каб працаваючый могаў іх пераканаць.

Алгорытм работы: дакументы кадровага аддзелу → ўваходжэнне → разбіўка на часткі + метаданы → вектарныя представленні → ChromaDB → прыстрой для пошуку → запит, які урахоўвае історыю → адпаведныя дакументы → запрос, ўзгадваючы паводкі, → адпаведная адпаведь → цітаты.

2. Уваходжэнне дакументаў

Сырыя правілы ператвараюцца на часткі, якія можна шукать. Полныя дакументы занадта великія, ўсё жа ўскладнюючы включэнне іх у кожны запрос, і могу перапыліць ліміты контэкста. Часткі маюць метаданы, такія як назва файла, шлях, папка, тип дакумента і меткі джэрела — гэта стварае можлівасць пазней выкарыстоўваць іх для цітатаў, адлагоджэння проблем і аналізу результаатаў пошуку.

3. Вектарныя представленні і храненне вектараў

Кожная частка становіць вектарныя представленні:

"Employees receive annual leave..."
             ↓
       Embedding Model
             ↓
      [0.12, -0.43, 0.87, ...]

Вектары і метаданы зберагаюцца ў ChromaDB. Запыты корыстніка таксама ператвараюцца у вектары, тады правілы з семантычнаю близасцю будуць выяўляцца нават калі формулівацыя разная (“выпуск за хворобу” проты “права на відпачык за хворобу”).

4. Адзыявленне з MMR

Простая метода падобнасці top-k можа вернуць чатыры фрагмента палітакі пра выпускны час, якія здаюцца майже дубліруючыміся:

Chunk 1 → Leave policy
Chunk 2 → Leave policy
Chunk 3 → Leave policy
Chunk 4 → Leave policy

Максимальная маргінальная рэлевантнасць санаважвае рэлевантнасць і разнообразнасць. Большыя кандыдацкія запасы fetch_k, а пасля — выбор заканчоўных k за дапамой MMR, зменшаюць рэданданс:

10,000 chunks
      ↓
Similarity search
      ↓
20 candidate chunks
      ↓
MMR
      ↓
4 diverse + relevant chunks
      ↓
LLM

5. Адзыявленне з урахоўваннем історыі

Пытанні на кшталт «А як з менаджерамі?» пасля адпаведзі на пытанне пра годзінны выпуск сама по сабе є неяснымі. Крок з урахоўваннем історыі перапісвае запит, выкарыстоўваючы історыю размовы, прытаму як адбываецца адзыявленне:

Conversation History
        +
Current Question
        ↓
       LLM
        ↓
Standalone Search Query

Это аддзеляе контекстуалізацыю запиту (што мела на увазе адпаведальнік?) ад генеравання адпаведзі (што павінна быць адпаведзь, вяручы дакументам?).

6. Генераванне адпаведзі на адной падставе

Зявілыя фрагменты падаюць у запрос, які прыказвае модэлі выкарыстоўваць толькі дакументы з канпаніі, ухілляцца ад стварэння новых правілаў, паказваць выключэнні, залічвацца канкрэтнымі і прызнаваць недастаткі. Архітектура: запит → контекстуалізацыя → прыстрой для адзыскання → дакументы → запрос для перагляду → LLM → адпаведны адказ. Модэлі пішуць прозу; корпус супляе факты.

7. Чаму LangGraph

Калі колькасць стадзій зрастае — аправарэнне, модерация, выяўленне втрымкі інфармацыі, обробка запытаў, адзысканне дакументаў, генераванне, памяць, стварэнне апуса — лінейны ланцуг становіцца кранкавым. LangGraph моделюе рабочы процес як станы і вузлы:

                User Input
                    ↓
               Validation
                    ↓
              Guardrails
                ↙     ↘
          Safe          Unsafe
           ↓               ↓
       RAG Workflow      Reject
           ↓
      Final Response
           ↓
       Conversation
        Management

Граф стае простым для расшырэння, калі ўжо не як адна вялікая функцыя.

8. Нормы

Уводныя даны для працы трэба пераканаць пры выкарыстоўванні тэхналогіі RAG:

• Модерация — раннее блакаванне контэнту, які наражае на правіла
• Выяўленне втрымкі запросаў — адхоўленне атак у стыле “ігнораваць пярэднія інструкцыі…”

Порядак мае значэнне: даныя з вводу корыстніка → перакантрольванне безпекі → RAG, а не даныя з вводу корыстніка → сыры ЛЛМ.

9. Памяць дыялогу і стварэнне апূর্তання

Асистэнты, якія ведуць дыялог у кальце, патрабуюць історію, але необмежаныя транскрыпцыі спалюють токены. Стварэнне апূর্তання старыях кальцеў дапамагае зберагчы важлівую інфармацыю, адночасна обмежваючы актыўны контэкст — гэта баланс межа зберагчым і вартасцю.

10. Адгукненне па рэтрыбуцыі

Адказ можа выглядаць плавным, хоць рэтрыбуцыя не выйшла. Неабходна пераканацца, чы рэгулярныя фрагменты тэксту былі прыняты, а не толькі чы тэкст узяўся. Неабходна адгукнуцца пра якасць рэтрыбуцыі, стварэнне генераванага тэксту і прыменне яго як окремых аспектаў.

11. Цітаты з джэрел

Краща вжываць фразы на кшталт «Саветнікі атрымоўваюць 20 дзён ўстаўкі на год (Палітыка устаўкі §3)», чым простыя твэрджэння. Цітаты павышаюць довер'е, спрыяюць адлагоджэнню проблем і забезпечваюць возможнасць адстэплення, калі саветнікі можаць ачынаць орыгінальны PDF.

12. Экспорт дыялогу у формате PDF

Экспорт размовы у формате PDF дазволяе працавікам захаваць ўсё для пазнейшага вжытку. Це деталь, якая паказвае, што система прызначаная для рэальной работы, а не толькі для тымчасовага чату.

Заканчэнне

Працоўны асистент у формате HR RAG складаецца зэйчоў: прыёму даных, стратэгіі пошуку, перапісвы размовы, аргументацыі, керавання графамі, правілаў, ацэнкі та цітатаў. LangChain і LangGraph дапамагаюць аб’еднаваць гэтыя етапы; Chroma і MMR вплываюць на тое, што можа бачыць модель. Непрыемлівая правіла продукту застаецца такой: адпаведзі прадукту выходзяць з утверждзеных дакументаў, а не з памяці моделі пра інтэрнет.

Выборы дизайна, якія маюць значэнне на практыцы

Размер частак і ступень перакрыцця не ўжо толькі косметычныя праблемы. Занадта великі частакі слабяць сигнал умяшчэння; занадта маленькія частакі втрачаюць абмежэння, накладваныя суседзяючымі правіламі. Перакрыцце дапамагае, калі правіло распрастраняецца па межы. Метаданы — гэта не проста декоратыўная элемент; без назвы файлу і падказак пра разделы цітаты становяцца нечыстымі, а наборы для ацэнкі — важкімі да оценкі.

Параметры MMR (fetch_k, k, diversity lambda>) трэба налаштаваць на адповіднасць з наборам пытанняў з пазначкамі, а не на інтуіцыю. Колекцыя кандыдатаў, якая занадта мала, ніколі не прадстаўляе разнаобразных фрагментаў; колекцыя, якая занадта велика, витрачае час на обробку.

Перапісваўанне з урахоўваннем історыі не павінна ствараць новых фактов. Крок перапісваўання должен толькі расширваць займенніки і непূরныя запиты ў самостойныя запиты для пошуку. Якщо модель перапісваўання пачне даўаць адпаведзі, система пошуку ніколи не побачыць чыстага запиту.

Захоўнікі павінны быць налагоджаны ў пераддзеўстві рэтрыбюцыі. Модерацыя і выкліканне адкрыць патогеннага коду, якія выкананы пасля таго, як модель вже пераканалася текст прайватной політыки, є запазджанымі. Неабяжна адхіліць падозру на вставку коду; дазволіць такое толькі там, дзе політыка продукту чыста прыменяе мяккі блокаванні з логаванням.

Ацэнка павінна включаць як рэтрыбюцыю (recall@k адпаведных ідэнтыфікатараў дакументаў), так і генераванне (аддаслужнасць да перакананага тексту). Які-небудзь адпаведны адказ, але на базе некоректнага клазу, таксама ўважаецца невыпаннем задачы. Зберагаць следы: перапісаны запит, перакананыя ідэнтыфікатары, фінальны адказ, спіс цитатаў.

Streamlit (או будзь-які просты інтерфейс) павінен чытка адображаць цитаты і статусы “невядома”. Савецкія працавальнікі больш дазвараюць системам, якія прызнаюць своия недастаткі, чым тым, якіе вигадваюць розмаўныя правілы пра відпачынак.

Экспорт у PDF ёсць функцыяю зберагачвання: людзі вставляюць адказы на праблемы ў тікеты. Экспортаваны текст трэба спрыяваць як потэнцыйна чутлівы і прыменяць тыя ж правіла доступу, што і пад час чат-сесіі.

У канцы, нехай шлях адпрацоўкі графа застаецца зрозумелым. Новыя інжынеры павінны магчыма быць накрэсліць ляму параболізацыі: апраўленне → перапісваўанне → запыт → генераванне → адпаведзь, не падаючыся ў неабавязковыя галузі. Неабавязковыя галузі (падсумованне, экспорт) з’яўляюцца як окремыя вузлы, а не ўтвараюць структуру внутры процесу генеравання.

Такая дисцыпліна ператварае дэманстрацыю RAG за выходныя на тое, што каманда па кадрам можа прыменіць, не баячыся тых, каго называюць „галюцинаціямі правіл“.

Размешчэнне элементаў у часовай шкале

                    HR DOCUMENTS
                         │
                         ▼
                DOCUMENT INGESTION
                         │
                Chunking + Metadata
                         │
                         ▼
                    EMBEDDINGS
                         │
                         ▼
                     CHROMADB
                         │
                         ▼
                    RETRIEVER
                    (MMR Search)
                         │
                         │
USER ──→ GUARDRAILS ─────┤
                         │
                         ▼
              HISTORY-AWARE QUERY
                  CONTEXTUALIZATION
                         │
                         ▼
                    RETRIEVAL
                         │
                         ▼
                RELEVANT DOCUMENTS
                         │
                         ▼
                  QA PROMPT + LLM
                         │
                         ▼
                  GROUNDED ANSWER
                         │
                    ┌────┴────┐
                    ↓         ↓
                Citations   Memory
                              │
                              ▼
                         Summarization
                              │
                              ▼
                         PDF Export

Першы дзень частаўсе пры «вбудовванні PDF-файлаў і чате». З другага па дзесяты дзень з’яўляюцца рэальныя элементы працы: схемы метаданых, налаштаванне MMR, патроны для перапісву, механізмы модерацыі, класыфікаторы для введэння дадзеных, табліцы для ацэнкі, форматаванне цітатаў і стыканне розмов. Якщо праігнораваць гэтыя крокі, система будзе добра працаваць з простымі запитамі, але заваліцца пад час наступных запытоў, з агрэсівнымі патронамі чы ў разе пошуку майже ідэнтычных дадзеных.

LangChain памагае з’ўязваць об’екты модэля і средства пошуку; LangGraph памагае зробіць логіку керування прозрачной. Ні адна з іх не можа заменіць рашэння пра тое, якія папкі HR є автантонічнымы, хто можа запытаць пра якія правілы і як у інтэрфейсе відображацца «не вядомы» элементы. Гэтыя рашэння павінны быць у дакументах да проекту разам з дыяграмамі графа.

Калі ў працэйнай суперактывацыі выйшла проблема, найшырэзны ўзбіранак для дыягностыкі зазвычай такі: пераглянуць перапісаны запит, апісаць ідэнтыфікаторы отриманых частак, прачытаць гэтыя часткі, а пасля — прачытаць восьпамятанне, на якое быў створены запит. Якщо гэтага падходу няма ў логах, спачатку выправіце можлівасць аналізу, перш чым дадаць новую модель.