Разработчик собрал локальный RAG на Qdrant и LlamaIndex для поиска по закупочным законам

Разработчик, публикующийся на Habr под именем Владимир, описал, как собрал локальную RAG-систему на базе LlamaIndex и векторной базы данных Qdrant, чтобы не копаться вручную в Положении о закупках компании и в профильных законах ФЗ-44 и ФЗ-223.

Зачем понадобился локальный RAG

Автор объясняет, что задача возникла из практической необходимости: искать нужные формулировки и условия вручную в объёмных нормативных документах о закупках — Положении о закупках компании, а также федеральных законах ФЗ-44 (о контрактной системе в сфере госзакупок) и ФЗ-223 (о закупках отдельными видами юридических лиц) — долго и неудобно. RAG-система (retrieval-augmented generation, генерация ответов с опорой на найденные в документах фрагменты) позволяет задавать вопросы на естественном языке и получать ответ, построенный на реальном тексте нормативных документов, а не на догадках модели.

Ключевое требование — система должна была остаться полностью в локальном контуре, без обращения к внешним облачным API. Для работы с закупочной документацией, где часто фигурируют внутренние коммерческие условия, это принципиальный момент.

Из чего собрана система

• LlamaIndex — фреймворк для индексации документов и построения запросов к ним, применённый автором впервые
• Qdrant — векторная база данных с открытым исходным кодом для хранения эмбеддингов документов
• Собственный API поверх связки LlamaIndex и Qdrant
• Веб-интерфейс на Gradio для удобного взаимодействия с системой
• Источники данных — Положение о закупках компании, ФЗ-44 и ФЗ-223

Автор подробно разбирает процесс сборки — от индексации документов до написания API и интерфейса, — фактически предлагая читателям Habr готовый шаблон для похожих задач с локальными юридическими и нормативными базами.

Почему выбрали именно эту связку

Qdrant выделяется среди векторных баз тем, что распространяется с открытым исходным кодом и может быть развёрнут полностью локально — без обязательной привязки к облачному сервису. Это делает связку с LlamaIndex удобным выбором именно для сценариев, где данные не должны покидать инфраструктуру компании: юридические и закупочные документы, внутренние регламенты, коммерческие условия с контрагентами. LlamaIndex в этой конструкции отвечает за разбиение документов на фрагменты, построение индекса и формирование запросов к языковой модели с опорой на найденные фрагменты, а Gradio даёт закупщикам и юристам простой веб-интерфейс, не требующий работы с кодом или консолью напрямую.

Что дальше с проектом

Автор представляет статью как разбор конкретного, воспроизводимого кейса, а не законченный коммерческий продукт: он подробно показывает шаги сборки системы, чтобы читатели Habr могли повторить решение под собственные внутренние документы — будь то другие нормативные акты, регламенты или база договоров. Такой формат статьи типичен для инженерного сообщества Habr, где ценность материала не в готовом сервисе, а в прозрачно показанном пути от постановки задачи до рабочего прототипа.

Что это значит

Этот кейс — практичный пример того, как RAG на связке открытых инструментов вроде LlamaIndex и Qdrant опускается с уровня исследовательских демо до рутинной корпоративной задачи: поиска по внутренним регламентам и профильному законодательству без передачи чувствительных данных во внешние облачные сервисы. Для компаний, работающих с госзакупками по ФЗ-44 и ФЗ-223, где ошибка в трактовке нормы стоит дорого, локальный RAG-помощник — способ ускорить работу юристов и закупщиков, оставляя финальное решение за человеком.