Как работает RAG-маховик

Проблема: заземление статей живым веб-ресёрчем дорого и не накапливается. В наивной реализации статья №1000 стоит ровно столько же ресёрча, сколько статья №1, — и ничто не мешает вчерашнему сгенерированному тексту стать завтрашним «источником»: петля, отмывающая галлюцинации в факты.

Слой 1 — корпус это актив

Каждый контракт владеет накапливающейся базой исследовательских фактов: привязанных к источникам утверждений, извлечённых из реальных страниц, каждое — со значением (число, цена, дата), происхождением и статусом. Генерация сначала ищет в этом корпусе; корпус живёт и приумножается между прогонами.

Слой 2 — corpus-first, внешнее только на дыры

Инвариант маховика: внешний ресёрч тратится только на то, чего в корпусе нет или что устарело (gap ∪ stale), через единый шов записи. Измеримое следствие: внешние вызовы на статью монотонно падают по мере взросления корпуса, а качество заземления — нет. Это и есть маховик: каждая статья делает следующую дешевле.

Слой 3 — гигиена: что держит корпус достоверным

База знаний, кормящая LLM, — мишень для отравления, включая самоотравление. Стражи:

• Ingest-гейт — тело сгенерированной статьи никогда не принимается как ground truth. Входит только внешний материал с атрибуцией источника.
• Арбитраж конфликтов — когда два источника расходятся в значении, арбитр решает, какое значение несёт корпус, вместо тихого хранения обоих.
• Классы свежести — факты стареют с разной скоростью (определение протокола vs цена); TTL — по классам фактов, устаревшее выпадает из retrieval до обновления.
• Карантин — подозрительный материал исключается из retrieval, а не удаляется: решения гигиены обратимы и аудируемы.

Слой 4 — retrieval, зарабатывающий свои цитаты

Retrieval гибридный — плотные векторы и полнотекстовый поиск, слитые по рангу, — с порогом релевантности: факт обязан пройти планку близости к теме статьи, прежде чем генерация вообще сможет его процитировать. Ниже планки факт просто не предлагается. Именно это не даёт «заземлено» деградировать в «украшено цитатами».

Трейд-оффы, честно

Corpus-first означает, что молодой контракт пишет первые статьи от тонкого корпуса с бóльшим внешним ресёрчем — маховику нужно несколько циклов на раскрутку, и платформа принимает эту раннюю цену. Гейты гигиены изредка отвергают и настоящие факты (консервативный ingest-гейт — это безопасная сторона трейд-оффа); лечится арбитром и повторным ingest, а не ослаблением гейта.

Пощупать за две минуты

Спроси у MCP list_domains про домен research — поверхность корпуса это первоклассный API — или прочти Жизненный цикл контента, где retrieval стоит на пути статьи.

Спеки: SPEC-079/080 (векторный примитив), SPEC-081 (корпуса), SPEC-082 (research KB + ingest-гейты), SPEC-093 (доменное обогащение), SPEC-101 (инварианты маховика), SPEC-115 (порог релевантности).