00:00:00Почти каждая система RAG страдает от одной и той же проблемы.
00:00:04Они могут обрабатывать только текстовые документы.
00:00:06Так что, если вы попытаетесь дать ей изображения, чарты, графики или что-то еще,
00:00:10большинство систем RAG просто не справятся с этим.
00:00:12И когда вчера я показывал вам LightRAG,
00:00:13он страдал от той же самой проблемы.
00:00:16Но сегодня я покажу вам решение.
00:00:19И это решение — RAG Anything.
00:00:20RAG Anything решает для нас эту проблему с документами.
00:00:23Он может обрабатывать изображения.
00:00:24Он может обрабатывать чарты.
00:00:25Он может обрабатывать графики.
00:00:25И это позволяет нам создать систему RAG,
00:00:28которая действительно работает с документами, которыми вы пользуетесь.
00:00:31RAG Anything создан той же командой, что и LightRAG.
00:00:34Он подключается напрямую к системе LightRAG,
00:00:36которую мы уже собрали вчера.
00:00:37Так что внедрить это в наш стек очень просто.
00:00:40И сегодня я покажу вам, как именно его настроить
00:00:43и как он работает внутри,
00:00:44чтобы вы могли начать использовать одну из самых мощных
00:00:46систем RAG на сегодняшний день.
00:00:48На случай, если по вступлению это было не совсем понятно,
00:00:50я буду исходить из того, что вы уже посмотрели
00:00:52вчерашнее видео про LightRAG.
00:00:54Я оставлю ссылку выше, если вы еще этого не сделали,
00:00:56потому что сегодня я предполагаю, что вы уже настроили
00:00:58свой сервер LightRAG.
00:00:59Вы понимаете, как работает RAG, и понимаете
00:01:02всю эту тему с графами знаний.
00:01:03Потому что RAG Anything — это, по сути, оболочка
00:01:06вокруг LightRAG.
00:01:07У нас по-прежнему будет тот же веб-интерфейс LightRAG
00:01:10с некоторыми отличиями,
00:01:11но всё, что попадает в RAG Anything —
00:01:13ну, эти нетекстовые документы —
00:01:15в конечном итоге оказывается в том же графе знаний.
00:01:17Мы будем задавать ему те же вопросы.
00:01:19Мы будем использовать тот же API для запросов
00:01:22через Claude Code, как и вчера.
00:01:24И функционал, который мы добавим сегодня,
00:01:26весьма значителен.
00:01:28Недостаточно создать систему RAG, которая работает чисто с текстом.
00:01:30Мы не живем в мире, состоящем только из текста.
00:01:32Скольким из вас давали PDF-документ,
00:01:34который технически даже не текст, а просто скан?
00:01:36LightRAG не совсем справляется с этим, а RAG Anything может.
00:01:39Сегодня мы немного углубимся в технические детали.
00:01:40Мы заглянем под капот, и я объясню,
00:01:43как именно работает вся эта система.
00:01:44Но если в общих чертах, что она делает?
00:01:46RAG Anything просто анализирует документы,
00:01:49которые не являются текстовыми.
00:01:50По сути, он делает ровно то же самое, что и LightRAG,
00:01:52только для этих нетекстовых документов.
00:01:55И после того как он создаст собственный граф знаний
00:01:56и свою векторную базу данных,
00:01:58он объединяет их с данными LightRAG,
00:02:00поэтому в итоге всё оказывается в одном удобном,
00:02:04аккуратном месте, где можно задавать вопросы.
00:02:06Единственный минус RAG Anything в том,
00:02:08что он немного тяжелее.
00:02:09Нам придется скачать несколько моделей на компьютер,
00:02:12которые помогают парсить эти нетекстовые документы.
00:02:14И когда дело доходит до загрузки нетекстовых документов,
00:02:18мы не можем сделать это через интерфейс LightRAG.
00:02:22Нам нужно использовать скрипт.
00:02:23К счастью, здесь на помощь приходит Claude Code.
00:02:25Так что для вас как для пользователя после настройки
00:02:28всё, что нужно для загрузки нетекстовых документов —
00:02:31это сказать Claude Code: «Эй, давай,
00:02:33используй навык RAG Anything и загрузи этот документ».
00:02:36Всё так просто.
00:02:37И вы задаете вопросы так же, как и раньше.
00:02:39Так что, на самом деле, ничего сложного.
00:02:40И опять же, вы получаете весь этот функционал просто так.
00:02:43Теперь, прежде чем мы перейдем к принципам работы RAG Anything,
00:02:46хочу быстро прорекламировать мой мастер-класс по Claude Code,
00:02:49который вышел пару недель назад.
00:02:50Это лучшее место, чтобы пройти путь от нуля до AI-разработчика,
00:02:53особенно если у вас нет технического образования.
00:02:55Я обновляю его буквально каждую неделю.
00:02:57Новое обновление выйдет завтра.
00:02:59Так что, если вы действительно хотите освоить
00:03:01Claude Code и не знаете, с чего начать,
00:03:03что ж, это для вас.
00:03:05Ссылка на него есть в комментариях.
00:03:07Он находится внутри Chase AI Plus.
00:03:09У меня также есть бесплатное сообщество Chase AI.
00:03:11Если для вас это пока слишком сложно,
00:03:12и вы только начинаете.
00:03:14Ссылка на него в описании.
00:03:15Там же вы найдете промпты и навыки,
00:03:19о которых я буду говорить сегодня.
00:03:20Так что обязательно загляните в любом случае.
00:03:22А теперь давайте поговорим о RAG Anything
00:03:23и о том, как эта штука на самом деле работает.
00:03:25Честно говоря, всё довольно просто и очевидно.
00:03:28Так что, чтобы не тратить ваше время,
00:03:29я просто оставлю это изображение на 10 секунд,
00:03:32а потом перейдем к следующему.
00:03:34Ну вот, отлично.
00:03:39Ладно, идем дальше.
00:03:41Шучу.
00:03:42На самом деле там много чего происходит.
00:03:44Эта картинка делает всё сложнее, чем есть на самом деле.
00:03:46И если вы поняли, что мы делали на днях с LightRAG,
00:03:50помните тот разговор? — то у вас всё будет хорошо.
00:03:52RAG Anything работает схожим образом,
00:03:55просто с несколькими дополнительными шагами.
00:03:56И я хочу по ним пройтись,
00:03:57потому что считаю важным понимать,
00:03:58как такие вещи устроены.
00:04:00Мне кажется, в сфере ИИ в целом
00:04:01легко стать зацикленным только на практике.
00:04:04Типа: «Чейз, я просто хочу знать, как это установить,
00:04:05а потом — как пользоваться».
00:04:06Это нормально, можете промотать вперед, если вы такой.
00:04:08Но я думаю, если вы хотите стать более зрелым AI-разработчиком
00:04:11и хотите как-то отличаться
00:04:13от мартышки, которой вас можно заменить,
00:04:15которая просто жмет «принять, принять, принять» и копирует
00:04:17промпты и навыки,
00:04:18тогда, я думаю, важно иметь некоторое,
00:04:21знаете ли, понимание архитектуры,
00:04:22потому что именно это будет отличать вас
00:04:23от других людей.
00:04:24И не только в плане того, как использовать эту RAG-систему,
00:04:27но и в более масштабных, крупных проектах, понимаете?
00:04:30Так вы начинаете создавать свои собственные навыки,
00:04:34то есть действительно становитесь профи в этом деле.
00:04:35Так что давайте обсудим.
00:04:37Итак, RAG Anything.
00:04:38Давайте поговорим о проблеме, да?
00:04:40Проблема в том, что у меня есть PDF, который является сканом,
00:04:44и это на самом деле не текст,
00:04:45но мне нужно поместить его в мою систему RAG.
00:04:46LightRAG с этим не справится.
00:04:48И тут появляется RAG Anything, верно?
00:04:51С той крутой ламой в шести очках.
00:04:53Первое, что происходит,
00:04:56это загрузка этого документа в RAG Anything.
00:05:00И первое, что он сделает,
00:05:02это использует программу под названием MinerU,
00:05:05которая работает на вашем компьютере полностью локально и бесплатно.
00:05:08И она, по сути, разложит этот документ
00:05:11на составляющие части.
00:05:12MinerU — это проект с открытым исходным кодом.
00:05:14Опять же, это, по сути, парсер документов,
00:05:16который включает в себя кучу миниатюрных специализированных моделей.
00:05:19Вам нужно знать лишь то, что если вы этого боитесь —
00:05:21у него открытый код.
00:05:22Я оставлю ссылку внизу.
00:05:23И опять же, именно это будет работать
00:05:25и выполнять сегодня большую часть работы за нас.
00:05:26Итак, MinerU смотрит на документ и говорит:
00:05:29«Окей, это заголовок».
00:05:32Он создает рамку вокруг заголовка.
00:05:33Он говорит: «Это текст».
00:05:36Он говорит: «Это чарт».
00:05:39Он говорит: «Это изображение гистограммы».
00:05:41И говорит: «Это уравнение, написанное в LaTeX».
00:05:44То есть он посмотрел на документ
00:05:47и разбил его, ладно, на отдельные части.
00:05:50MinerU не понимает, что находится внутри.
00:05:52MinerU не читает текст.
00:05:53Он его не воспринимает.
00:05:55Он не понимает, о чем этот чарт.
00:05:56Он просто знает: чарт, текст, картинка, ясно?
00:06:01После этого он отправляет эти составные части
00:06:05отдельным специализированным моделям, которые входят в состав MinerU.
00:06:10Для вас это происходит невидимо.
00:06:12Всё это случается автоматически «под капотом».
00:06:15Например, одна из моделей называется PaddleOCR.
00:06:20Именно она будет анализировать текст.
00:06:21Так что MinerU отправляет этот текстовый блок в PaddleOCR
00:06:24на вашем компьютере, и та извлекает текст, понятно?
00:06:28И теперь вместо сканированного текста
00:06:30это реальный текст, где написано: «Компания X показала сильный Q3'23
00:06:34результат с ростом выручки, бла-бла-бла-бла-бла».
00:06:36Верно? То же самое с этим текстом.
00:06:40То же самое с чартом, да?
00:06:41Он тоже превратит его в текст, верно?
00:06:43Во что-то, с чем может работать LLM.
00:06:45То же самое с уравнениями LaTeX.
00:06:47Для этого есть целая модель, верно?
00:06:48Теперь это уже не LaTeX, а фактически текст.
00:06:52За исключением изображений.
00:06:54Будь то гистограмма или просто...
00:06:57на самом деле всё, что он не может преобразовать в текст.
00:07:00Вместо этого он сделает следующее:
00:07:01он сделает скриншот этого элемента,
00:07:03и это важно, хорошо?
00:07:05Итак, теперь это скриншот.
00:07:07Это изображение, скриншот. Отлично.
00:07:11Что мы имеем в итоге?
00:07:13Мы загрузили нетекстовый документ.
00:07:16Он был разделен на составные части,
00:07:18и мы взяли эти части
00:07:20и разложили их по двум корзинам, верно?
00:07:22У нас есть корзина с текстом и корзина с изображениями.
00:07:26Важно это понимать.
00:07:28Есть два пути: изображение или текст.
00:07:31Хорошо, вы со мной?
00:07:32Итак, что произойдет сейчас —
00:07:34мы закончили использовать эти внутренние модели.
00:07:36Теперь нужно привлечь «тяжелую артиллерию».
00:07:37Теперь нам нужно что-то вроде GPT 5.4 Mini.
00:07:40Стоит отметить, что это не единственный вариант.
00:07:42Вы могли бы оставить всё это локально, если бы захотели.
00:07:44Можно использовать что-то вроде Ollama.
00:07:45Итак, я беру текстовую корзину и отправляю её в GPT 5.4 Mini.
00:07:50И добавляю промпт, в котором говорю:
00:07:52«Я хочу, чтобы ты разделил этот текст на две вещи».
00:07:55Я хочу, чтобы ты взял этот текст
00:07:57и разбил его на сущности и связи.
00:08:01Помните сущности и связи?
00:08:03Помните наш граф знаний?
00:08:05Сущность, сущность и своего рода связь между ними.
00:08:09Хорошо, и я хочу, чтобы ты разбил это
00:08:13на то, что станет эмбеддингами для векторной базы данных.
00:08:17Итак, эмбеддинги, встраивание,
00:08:21а затем я просто скажу: «сущности плюс связи».
00:08:26Теперь, думая наперед, что там произойдет?
00:08:29Ну, эмбеддинги станут записями
00:08:32в векторной базе данных, а сущности и связи
00:08:35превратятся в граф знаний,
00:08:37точно так же, как мы делали с LightRag, верно?
00:08:39То же самое, всё то же самое, за исключением того,
00:08:42что теперь это из текстовой корзины.
00:08:44Но как насчет тех изображений, что у нас были?
00:08:47Что мы будем делать с ними?
00:08:48То же самое, это тоже будет отправлено в 5.4,
00:08:52но уже как скриншот, через OCR.
00:08:55Мы говорим GPT 5.4: «Посмотри на этот скриншот
00:08:59и раздели его на две вещи», верно?
00:09:02Эмбеддинги, а также сущности плюс связи.
00:09:06Почему мы так делаем?
00:09:07Почему бы просто не запихнуть всё в один и тот же промпт
00:09:09и не заставить его распознать весь этот файл целиком?
00:09:12Почему бы не обрабатывать всё это как один скриншот?
00:09:14Потому что это дорого и медленно.
00:09:16То, что решили сделать в RAG-anything —
00:09:17и я думаю, это довольно умно —
00:09:19это своего рода препарирование файла на вашем компьютере
00:09:21на локальном уровне, разделение его на текст
00:09:24и разделение его на скриншоты.
00:09:25Таким образом, когда мы идем по этим двум путям,
00:09:27вы экономите кучу денег и времени.
00:09:29Представьте, если бы вы заставили ChatGPT
00:09:31просматривать 10 000 скриншотов, извлекать весь текст,
00:09:34а затем из этого текста делать эмбеддинги,
00:09:36сущности и связи.
00:09:37Это занимает много времени и стоит дорого.
00:09:38Этот подход умнее.
00:09:40Итак, сущности и связи со стороны изображений —
00:09:44абсолютно то же самое.
00:09:45Они также попадают в векторную базу данных
00:09:49и также формируют граф знаний.
00:09:52Что это значит?
00:09:53Это значит, что из одного документа
00:09:55мы теперь создали четыре сущности, так?
00:09:59У нас есть две векторные базы данных
00:10:02и у нас есть два графа знаний
00:10:04из нашего одного нетекстового документа.
00:10:08Вы понимаете?
00:10:09Что нам нужно сделать теперь?
00:10:10Ну, это довольно очевидно.
00:10:11Нам нужно их объединить.
00:10:12Система возьмет эти четыре вещи
00:10:15и просто соединит их вместе.
00:10:18Они практически наложатся друг на друга.
00:10:19Она сопоставит их, по сути, на основе сущностей.
00:10:22И в итоге вы получите
00:10:27одну векторную базу данных и один граф знаний.
00:10:31Почти то же самое,
00:10:32что мы делали выше с LightRag.
00:10:34Достаточно просто.
00:10:35Если бы мы использовали только RAG-anything,
00:10:38на этом бы всё и закончилось.
00:10:40Однако, помните, мы пытаемся наложить RAG-anything
00:10:44поверх LightRag.
00:10:46Я хочу всю мощь LightRag
00:10:48и всю мощь RAG-anything.
00:10:50Что же происходит теперь?
00:10:52Происходит просто повторение того, что вы только что видели.
00:10:54Давайте перенесем это сюда.
00:10:55Итак, теперь у нас есть набор RAG-anything
00:11:00с векторной базой данных и графом знаний,
00:11:05и у нас есть набор LightRag.
00:11:06Что мы делаем?
00:11:07Мы просто объединяем их вместе.
00:11:09В результате мы получаем RAG-everything
00:11:13и LightRag в комбинации,
00:11:15что дает нам наконец одну векторную базу данных
00:11:20и один граф знаний.
00:11:21И отсюда всё идет так же, как было раньше
00:11:24с самим по себе LightRag, верно?
00:11:27Вы задаете вопрос о чем угодно,
00:11:31этот вопрос превращается в вектор здесь.
00:11:33Он извлекает соответствующие векторы,
00:11:35а затем также спускается сюда,
00:11:37находит нужную сущность
00:11:39и смотрит, что находится рядом, понимаете?
00:11:43Возможно, это было немного запутано.
00:11:44Надеюсь, я нормально это объяснил.
00:11:46Давайте подведем итог, чтобы запутать вас еще больше.
00:11:51Что происходит, когда я добавляю нетекстовый документ?
00:11:54Он попадает в RAG-anything.
00:11:56RAG-anything извлекает текст, который может,
00:11:58а затем также извлекает изображения.
00:12:00Он отправляет и то, и другое в ChatGPT
00:12:02или в любую другую систему ИИ по вашему выбору.
00:12:05Она разбивает это на эмбеддинги,
00:12:07сущности и связи.
00:12:09Они превращаются в графы знаний и векторные базы данных.
00:12:13Затем мы объединяем их вместе.
00:12:15Теперь у нас есть одна векторная база данных
00:12:17и один граф знаний для RAG-anything.
00:12:19И поскольку мы уже запустили это в LightRag,
00:12:22или если вы добавили еще документов поверх этого,
00:12:24у вас уже есть существующая векторная база данных
00:12:27и существующий граф знаний.
00:12:29Чтобы решить эту проблему, мы просто объединяем их.
00:12:32И в итоге вы даже ничего не заметили.
00:12:35Опять же, для пользователя всё это остается невидимым.
00:12:39Ничего из этого на самом деле не имеет для вас значения.
00:12:41Единственное, что может быть важно —
00:12:42это то, что происходит здесь с GPT 5.4,
00:12:45потому что это будет стоить вам денег.
00:12:47Но в образовательных целях
00:12:50именно так система RAG-anything
00:12:53интегрируется с системой LightRag.
00:12:55И в конечном счете
00:12:57это просто означает, что у вас есть RAG-система,
00:12:58способная обрабатывать нетекстовые документы.
00:13:00И если вы всё еще здесь после всего этого,
00:13:03теперь мы можем перейти к тому, как это установить
00:13:07и начать использовать.
00:13:08Итак, давайте поговорим об установке,
00:13:09о том, как этим пользоваться,
00:13:10и о паре вещей, за которыми нужно следить.
00:13:11Я создал «one-shot» промпт, который можно дать Claude Code,
00:13:14и он установит всё за вас,
00:13:17обновит нужные модели и всё прочее.
00:13:19Вам просто нужно убедиться,
00:13:20что вы находитесь в директории light-rag, когда запускаете это.
00:13:23Итак, он будет делать три основные вещи.
00:13:25Во-первых, он проверит,
00:13:27чтобы мы обновили правильный путь хранения,
00:13:29так как у вас уже запущен экземпляр Docker LightRag.
00:13:32Во-вторых, мы хотим обновить модель,
00:13:33потому что, судя по GitHub,
00:13:34проект изначально был создан некоторое время назад.
00:13:37Поэтому во всех примерах скриптов
00:13:39используются такие вещи, как GPT 4.0 Mini.
00:13:41Я настроил его на 5.4 Nano.
00:13:43Поймите, что вы можете изменить это при желании.
00:13:45Но я заставил его использовать 5.4 Nano, а также
00:13:48оставил text-embedding-3-large, чтобы мы могли использовать OpenAI
00:13:51для всего.
00:13:51Так проще, экспериментируйте, как хотите.
00:13:54Наконец, поскольку мы используем RAG-anything
00:13:55по сути как обертку поверх LightRag,
00:13:58некоторые примеры скриптов в репозитории GitHub
00:14:02немного неверны.
00:14:03Например, там есть баг с двойным эмбеддингом,
00:14:05который мы, опять же, просто просим Claude Code исправить,
00:14:08и он его исправит.
00:14:09Так что вы просто будете использовать этот промпт.
00:14:12Повторюсь, он находится внутри сообщества Free School.
00:14:14Ссылка в описании.
00:14:15Просто найдите «rag anything», и вы его там увидите.
00:14:18И как только вы запустите этот промпт,
00:14:19он начнет всё скачивать.
00:14:21Учтите, он довольно тяжелый,
00:14:22потому что ему нужно скачать MinerU
00:14:23и все сопутствующие зависимости.
00:14:25Теперь поговорим о загрузке документов,
00:14:26потому что это довольно утомительно и хлопотно.
00:14:28В идеальном мире связка LightRag плюс RAG-anything
00:14:33была бы очень отлаженной, и я мог бы просто свалить
00:14:35всё, что захочу, в LightRag/RAG-anything
00:14:40через единый интерфейс.
00:14:41Я мог бы зайти в интерфейс, нажать «Загрузить»
00:14:44и сделать это.
00:14:45В случае с RAG-anything и LightRag так не получится.
00:14:48Вы всё еще можете делать это для текстовых документов.
00:14:50То есть вы можете использовать обычный рабочий процесс,
00:14:52который я показывал в предыдущем видео, когда вы идете в UI
00:14:54или используете навык LightRag для загрузки документов.
00:14:59С RAG-anything так сделать нельзя.
00:15:01Всё должно идти, по сути, по другому тоннелю,
00:15:04по другому пути.
00:15:05И этот другой путь в RAG-anything —
00:15:07это скрипт на Python.
00:15:09Там нет интерфейса, нет кнопки, которую можно нажать.
00:15:11Это буквально скрипт.
00:15:12Это код, который нужно запустить.
00:15:14К счастью, здесь на помощь приходит Claude Code,
00:15:16и это делает всё очень простым, потому что мы просто
00:15:19превратим этот скрипт внутри репозитория в навык.
00:15:23Так что для вас, как только этот навык будет создан,
00:15:25все, что вам нужно будет сделать, это сказать: Claude Code,
00:15:28используй навык rag-anything, чтобы загрузить все эти документы,
00:15:32все эти нетекстовые документы.
00:15:33И когда он это сделает,
00:15:34он запустит процесс MinerU.
00:15:36Это займет некоторое время, потому что ему нужно выполнить
00:15:39все эти действия, о которых мы говорили
00:15:41в техническом разделе,
00:15:43но он загрузит их в LightRAG,
00:15:45и они появятся в ваших документах
00:15:47и внутри вашего графа знаний.
00:15:49Окей, это единственная странная часть, которую вам нужно знать.
00:15:51Другой странный момент, честно говоря, заключается в том, что после этого
00:15:54вам также потребуется перезапустить Docker-контейнер,
00:15:58но в рамках навыка это происходит автоматически.
00:16:00Так что опять же, с вашей точки зрения как пользователя,
00:16:03единственная разница в том, что вам просто нужно вызвать навык.
00:16:06Этот навык, навык загрузки rag-anything,
00:16:08также доступен в бесплатном сообществе.
00:16:10Так что просто скачайте его, поместите в папку .claude,
00:16:13и он будет работать без проблем.
00:16:14Что касается того, что MinerU работает долго —
00:16:17это потому, что по умолчанию rag-anything
00:16:19после скачивания будет работать на вашем процессоре (CPU).
00:16:22Если вы хотите, чтобы он работал на видеокарте (GPU),
00:16:24вам понадобится другая версия PyTorch.
00:16:27Если для вас это звучит слишком сложно,
00:16:29и всё работает слишком медленно, просто скажите Claude Code:
00:16:32эй, можем ли мы запустить PyTorch
00:16:34и MinerU на нашей видеокарте?
00:16:36И он проведет вас через этот процесс.
00:16:37Или, на самом деле, он просто сделает всё сам.
00:16:39Но по умолчанию он будет работать на CPU.
00:16:41Просто имейте это в виду.
00:16:42Теперь давайте посмотрим на пример этого в действии.
00:16:44Одним из документов, которые мы загрузили, был
00:16:48этот PDF-файл Novatech, верно?
00:16:50Анализ выручки SaaS. Он полностью вымышленный.
00:16:51Но суть в том, что мы загрузили нечто,
00:16:52содержащее вот такую гистограмму, верно?
00:16:55Обычно это было бы извлечено
00:16:57как изображение и отправлено в ChatGPT и так далее.
00:16:59Обычный LightRAG не смог бы с этим справиться,
00:17:01потому что это просто картинка.
00:17:03Это графики, и системе трудно их расшифровать.
00:17:05Но поскольку мы пропустили это через rag-anything,
00:17:07теперь мы можем задать вопрос об этом через Claude Code.
00:17:10Я спросил Claude Code:
00:17:13можем ли мы запросить нашу базу данных LightRAG
00:17:14о динамике ежемесячной выручки Novatech Inc
00:17:15с января по сентябрь 2025 года?
00:17:18Как видите, он даже не использовал навык.
00:17:20Он просто напрямую сделал API-запрос,
00:17:22что тоже вполне допустимо для выполнения запроса.
00:17:24«Какова была динамика ежемесячной выручки Novatech Inc»
00:17:26с такого-то по такое-то число.
00:17:29И он выдал полный ответ.
00:17:30Я мог бы просмотреть необработанный ответ, если бы захотел.
00:17:32Но что он сделал?
00:17:35Он вернулся с полной разбивкой по месяцам.
00:17:36Мы видим: январь 4.6, февраль 4.9,
00:17:39март 5.4 и так далее.
00:17:43Так что в плане вопросов по этим новым документам —
00:17:46всё так же, как и раньше.
00:17:48Единственная разница — это загрузка.
00:17:49Вам просто нужно вызвать тот навык,
00:17:51который я вам даю, и сказать Claude Code,
00:17:53что именно вы хотите туда поместить.
00:17:55Вы можете указать на целую папку.
00:17:56Или на конкретный файл в загрузках.
00:17:58Это очень просто.
00:18:00Это единственная действительно странная вещь,
00:18:01к которой нужно привыкнуть — эти два пути загрузки.
00:18:04Но сам процесс вопросов и ответов —
00:18:05это просто обычный язык.
00:18:07Обычный язык, даже если у вас есть навыки,
00:18:09которые я давал в прошлом видео,
00:18:11но Claude Code также достаточно умен,
00:18:13чтобы понимать структуру API всей этой системы.
00:18:14Потому что она локальная, она на вашем компьютере.
00:18:17Вот, собственно, и всё, что касается rag-anything.
00:18:19Я знаю, что большая часть этого видео
00:18:21была посвящена техническим аспектам,
00:18:22но, как видите, как только мы создали фундамент LightRAG,
00:18:24добавить rag-anything поверх него не так уж сложно,
00:18:28особенно если использовать тот промпт, который я вам дал.
00:18:32Есть некоторые вещи, которые можно подправить,
00:18:35как и во всём, что касается запросов,
00:18:37но на самом деле, с Claude Code
00:18:39он сам управляет всеми весами,
00:18:41которые вы можете настраивать внутри LightRAG.
00:18:43Я имею в виду параметры,
00:18:45если мы перейдем в раздел извлечения (retrieval),
00:18:45все те настройки, что находятся справа.
00:18:47Опять же, Claude Code знает, какие из них лучше всего подходят вам.
00:18:49В общем, я надеюсь, это объяснило,
00:18:52насколько легко настроить rag-anything,
00:18:56а также насколько просто добавить такой уровень функциональности
00:18:58в ваши RAG-системы,
00:19:02что во многих других системах просто невозможно
00:19:03или стоит очень дорого.
00:19:05А этот вариант относительно дешев,
00:19:06особенно благодаря локальной системе парсинга MinerU,
00:19:08которую нам удалось настроить.
00:19:11Так что, как всегда, пишите, что вы об этом думаете.
00:19:12Обязательно загляните в Chase AI+,
00:19:14если хотите пройти мастер-класс по Claude Code,
00:19:16и увидимся!
00:19:18[Конец видео]