RAG на стероидах: от семантического поиска до автономного агента и цифрового двойника

Инженеры тратят до 30 % рабочего времени на поиск информации и людей, которые её знают, — по Jira, Confluence, Git и Slack, а когда ключевой человек уходит, вместе с ним уходит и контекст. В докладе я разберу, как мы построили в продакшене AI-помощника на .NET, который отвечает на вопросы по 600 тысячам фрагментов кода, коммитов, тикетов и документации нашей команды. Начнём с нуля: что такое эмбеддинг и косинусная близость, где чистый векторный поиск ломается и почему ему нужен второй канал — полнотекстовый поиск в PostgreSQL. Дальше — гибрид Qdrant + PostgreSQL: параметры HNSW с реальными замерами recall и латентности, чанкинг, инкрементальная индексация по хэшу контента, слияние результатов и веса источников, подобранные Optuna по эталонному набору вопросов. Отдельный блок — MCP-сервер на .NET с 18 инструментами, ролевой поиск, права доступа и защита от prompt injection через тикет. Затем покажу автономного агента, который ищет ответ сам, цепочкой инструментов, и петлю дообучения без fine-tuning через Slack. Всё это будет не на слайдах, а вживую: система ответит на вопросы зала прямо со сцены, а в финале вас ждёт кое-что, о чём я заранее рассказывать не буду. Знание ML не требуется: все понятия объясняются через знакомые .NET-аналогии, а слушатель унесёт набор паттернов и план, как начать с малого и дорастить систему до агента.