RAG-агент на Python с Ollama и LangGraph: гайд по семантическому поиску в микросервисах 2026

[kirilljsx]

В этой статье разберем, как собрать RAG-агента на Python с использованием Ollama и LangGraph. Это поможет реализовать семантический поиск в микросервисной архитектуре. Такой подход упрощает обработку запросов и повышает точность поиска по большим объемам данных.

RAG-агент комбинирует ретривер и генератор, чтобы находить релевантные документы и генерировать ответы. В микросервисах это решает проблемы масштабирования и изоляции данных. Вы получите готовый гайд с кодом для быстрого старта.

Что такое RAG и зачем его интегрировать в микросервисы

RAG - Retrieval-Augmented Generation - это метод, где агент сначала извлекает релевантные фрагменты из базы знаний, а потом генерирует ответ на их основе. В отличие от чистых LLM, RAG снижает галлюцинации и работает с актуальными данными. В микросервисной архитектуре каждый сервис может иметь свой векторный стор, что упрощает деплой и обновления.

Представьте сценарий: сервис пользователей ищет профили по семантике, сервис заказов - историю транзакций. Без RAG поиск ограничен ключевыми словами, что приводит к ошибкам. С Ollama для локальных моделей и LangGraph для оркестрации графов потоков задача решается элегантно. Это масштабируется на кластеры Kubernetes.

Вот ключевые преимущества RAG в микросервисах:

• Семантический поиск вместо строкового матчинга;
• Локальные модели Ollama без облачных затрат;
• Графы LangGraph для сложной логики ветвлений;
• Интеграция с векторными БД вроде Qdrant или Pinecone.

Компонент	Описание	Преимущества
Ollama	Локальный inference LLM	Конфиденциальность, скорость
LangGraph	Оркестрация агентов	Управление состоянием, retry
Vector DB	Хранение эмбеддингов	Быстрый семантический поиск

Подготовка окружения и установка зависимостей

Сначала настройте Python 3.11+ и виртуальное окружение. Ollama требует Docker или нативной установки для моделей вроде Llama3. LangGraph от LangChain упрощает создание состояний агента. В микросервисах каждый сервис запускается в отдельном контейнере с volume для моделей.

Установите пакеты: pip install langchain langgraph ollama qdrant-client chromadb sentence-transformers. Запустите Ollama: ollama pull llama3. Для векторного стора подойдет Qdrant в Docker. Это базовый стек, готовый к продакшену с мониторингом через Prometheus.

Шаги установки:

1. Создайте requirements.txt с версиями: langchain==0.1.0, langgraph==0.0.20;
2. Инициализируйте Qdrant: docker run -p 6333:6333 qdrant/qdrant;
3. Загрузите эмбеддер: from sentence_transformers import SentenceTransformer; model = SentenceTransformer('all-MiniLM-L6-v2');
4. Тестируйте Ollama API: ollama run llama3 'test query'.

Важно: Укажите OLLAMA_BASE_URL для удаленного сервера в микросервисах.

Архитектура RAG-агента в микросервисах с LangGraph

В микросервисах RAG-агент разбивается на ноды: ретривер, ранкер, генератор. LangGraph строит граф, где ноды - функции Python, ребра - условия переходов. Центральный API-гейтвей маршрутизирует запросы к сервисам. Каждый сервис имеет свой RAG для локальных данных.

Пример: сервис поиска документов использует RAG для семантики, сервис рекомендаций - для похожих items. Ollama обрабатывает генерацию локально. Это снижает latency до 200мс и избегает vendor lock-in.

Структура графа LangGraph:

• Retriever node: Поиск top-k документов по cosine similarity;
• Reranker node: Переранжировка с cross-encoder;
• Generator node: Промпт с контекстом в Ollama;
• Router: Условия для fallback или multi-hop поиска.

import langgraph
from langchain_ollama import OllamaLLM

llm = OllamaLLM(model="llama3")
graph = langgraph.StateGraph()
# Добавляем ноды и ребра
graph.add_node("retrieve", retriever_func)
graph.set_entry_point("retrieve")

Сервис	RAG-роль	Vector DB
Users	Профили	Qdrant
Orders	Транзакции	Chroma
Catalog	Товары	Pinecone

Реализация кода: от ретривера до полного агента

Начните с загрузки документов в векторный стор. Используйте LangChain loaders для PDF/CSV. Эмбеддинги генерируйте батчами. В LangGraph определите состояние: class AgentState(TypedDict): messages: list; context: str.

Для микросервисов оберните в FastAPI: эндпоинт /query принимает текст, возвращает JSON с источниками. Добавьте кэш Redis для частых запросов. Тестируйте на датасете MS MARCO для метрик recall@10.

Полный пайплайн в коде:

1. def retrieve(state): docs = qdrant.similarity_search(state['query'], k=5); return {'context': docs};
2. Генерация: prompt = f"Context: {{context}} Question: {{query}}"; llm.invoke(prompt);
3. Сборка графа: app = graph.compile(); result = app.invoke({'query': user_input});
4. Деплой: Docker Compose с Ollama и Qdrant.

Нюанс: Нормализуйте эмбеддинги для точности cosine.

from fastapi import FastAPI
app = FastAPI()
@app.post('/search')
def search(query: str):
    return rag_agent.invoke({'query': query})

Готовый стек для продакшена и оптимизации

Собранный RAG-агент готов к микросервисам: масштабируйте через Kubernetes, мониторьте с Grafana. Оптимизируйте индексацию HNSW в Qdrant для скорости. Тестируйте на production-like нагрузке с Locust.

Остается доработать мультиязычность эмбеддеров и hybrid search (семантика + ключевые слова). Подумайте о fine-tuning Ollama под домен для еще большей точности. Такой стек актуален в 2026 для enterprise AI.