Un Développeur a Construit un RAG Local sur Qdrant et LlamaIndex pour la Recherche de Lois de Marchés Publics

Un développeur publiant sur Habr sous le pseudonyme Vladimir a décrit comment il a assemblé un système RAG local basé sur LlamaIndex et la base de données vectorielle Qdrant pour éviter de fouiller manuellement dans les Réglementations d'approvisionnement de l'entreprise et les lois fédérales pertinentes FZ-44 et FZ-223.

Pourquoi un RAG Local Était Nécessaire

L'auteur explique que la tâche est née d'une nécessité pratique : rechercher la rédaction et les conditions nécessaires manuellement dans les documents réglementaires volumineux sur l'approvisionnement — les Réglementations d'approvisionnement de l'entreprise, ainsi que les lois fédérales FZ-44 (sur le système de contrats dans la sphère des achats d'État) et FZ-223 (sur l'approvisionnement par certains types d'entités juridiques) — est long et inconvenient. Un système RAG (génération augmentée par récupération, génération de réponses basée sur les fragments trouvés dans les documents) permet de poser des questions en langage naturel et d'obtenir une réponse construite sur le texte réel des documents réglementaires, pas sur les suppositions du modèle.

L'exigence clé était que le système devait rester complètement dans un circuit local, sans accéder aux API cloud externes. Pour travailler avec la documentation d'approvisionnement, où apparaissent souvent des conditions commerciales internes, c'est un point fondamental.

De Quoi le Système est Construit

• LlamaIndex — un cadre pour l'indexation des documents et la construction de requêtes sur eux, appliqué par l'auteur pour la première fois
• Qdrant — une base de données vectorielle open source pour stocker les plongements de documents
• API personnalisée sur la connexion LlamaIndex et Qdrant
• Interface web sur Gradio pour une interaction commode avec le système
• Sources de données — Réglementations d'approvisionnement de l'entreprise, FZ-44 et FZ-223

L'auteur discute en détail du processus d'assemblage — de l'indexation des documents à l'écriture de l'API et de l'interface — offrant essentiellement aux lecteurs Habr un modèle prêt à l'emploi pour des tâches similaires avec des bases de données juridiques et réglementaires locales.

Pourquoi Cette Combinaison Spécifique a Été Choisie

Qdrant se distingue parmi les bases de données vectorielles en ce qu'elle est distribuée avec le code source ouvert et peut être déployée complètement localement — sans attachement obligatoire à un service cloud. Cela rend la connexion avec LlamaIndex un choix pratique précisément pour les scénarios où les données ne doivent pas quitter l'infrastructure de l'entreprise : documents juridiques et d'approvisionnement, réglementations internes, conditions commerciales avec des tiers. LlamaIndex dans cette configuration est responsable de la division des documents en fragments, de la construction d'un index et de la formulation de requêtes au modèle de langage en fonction des fragments trouvés, tandis que Gradio fournit aux agents d'approvisionnement et aux avocats une interface web simple ne nécessitant pas de travailler directement avec du code ou une console.

Ce Qui Vient Ensuite Avec le Projet

L'auteur présente l'article comme un examen d'un cas spécifique et reproductible, non comme un produit commercial achevé : il montre en détail les étapes d'assemblage du système pour que les lecteurs Habr puissent reproduire la solution pour leurs propres documents internes — qu'il s'agisse d'autres actes réglementaires, réglementations ou d'une base de données de contrats. Ce format d'article est typique pour la communauté d'ingénierie Habr, où la valeur du matériel ne réside pas dans un service prêt à l'emploi, mais dans le chemin transparemment montré de la déclaration du problème au prototype fonctionnel.

Ce Que Cela Signifie

Ce cas est un exemple pratique de la façon dont RAG sur une combinaison d'outils ouverts comme LlamaIndex et Qdrant descend du niveau des démos de recherche aux tâches corporatives routinières : la recherche dans les réglementations internes et la législation spécialisée sans transmettre les données sensibles aux services cloud externes. Pour les entreprises travaillant avec l'approvisionnement d'État en vertu des FZ-44 et FZ-223, où une erreur dans l'interprétation d'une norme est coûteuse, un assistant RAG local est un moyen d'accélérer le travail des juristes et des agents d'approvisionnement tout en laissant la décision finale aux humains.