kosareva.cloud

Эмбеддинги от 21,6 ₽ за млн токенов · оплата в рублях · без VPN

RAG-система поиск ИИ по вашим документам

RAG-система — это связка поиска и языковой модели: по вопросу человека сначала находятся нужные куски ваших документов, а потом модель пишет ответ, опираясь только на них. Модель не выдумывает — она пересказывает найденное, и на каждый ответ можно показать источник.

Мы даём для этого две вещи: модель эмбеддингов, которая превращает текст в векторы, и текстовые модели, которые пишут ответ по найденному. Один ключ, OpenAI-совместимый API, оплата в рублях по договору. Векторная база и сами документы остаются у вас.

Посчитать стоимость Как собрать самому
Схема работы RAG в четыре шага: документы режутся на фрагменты, фрагменты превращаются в векторы, векторы складываются в базу, по вопросу из базы достаются нужные и модель пишет по ним ответ.
  1. 1  Документы режем на фрагменты по 200–500 слов
  2. 2  Каждый фрагмент становится вектором из 3072 чисел
  3. 3  Векторы ложатся в базу на вашем сервере
  4. 4  По вопросу достаются нужные, и модель пишет ответ

Первые три шага делаются один раз при загрузке базы. Четвёртый повторяется на каждый вопрос — он и определяет месячный счёт.

Зачем нужна RAG-система

Языковая модель знает то, на чём её обучали, и ничего не знает про вашу компанию: ни регламентов, ни договоров, ни истории обращений. Спросите её о внутреннем процессе — она сочинит правдоподобный ответ, и отличить его от правды будет нечем.

RAG решает это в лоб. Перед тем как отвечать, система ищет в ваших документах куски, относящиеся к вопросу, и подкладывает их модели вместе с запросом. Модель работает не по памяти, а по тексту, который ей дали — как человек, отвечающий с открытой папкой на столе.

Ключевая деталь — поиск идёт по смыслу, а не по словам. Вопрос «сколько дней даётся на возврат» найдёт пункт договора, где написано «срок рекламации — 14 календарных дней», хотя ни одно слово не совпало. Это и делают эмбеддинги.

Где это работает лучше всего

  • →Поддержка. Оператор задаёт вопрос словами клиента и получает ответ со ссылкой на регламент, а не ищет его руками по вики.
  • →Договоры и юридический архив. «Где у нас про неустойку за просрочку поставки» — по всем 400 договорам сразу.
  • →Онбординг. Новый сотрудник спрашивает своими словами вместо того, чтобы дёргать коллег.
  • →Каталог и техдокументация. Подбор товара или детали по описанию задачи, а не по артикулу.
  • →Разбор обращений. Дедупликация заявок и раскладка по темам без ручных правил.

Из чего состоит RAG-система

Четыре части. Две из них — модели, и это то, что берём на себя мы. Две другие — обычный код и открытая база, они остаются на вашей стороне.

Часть Что делает Чьё
Нарезка документов Режет файлы на фрагменты по 200–500 слов и хранит рядом ссылку на источник ваш код
Модель эмбеддингов Превращает каждый фрагмент в вектор — набор чисел, который кодирует смысл наша, 21,6 ₽ за 1 млн токенов
Векторная база Хранит векторы и за миллисекунды находит ближайшие к вопросу. Qdrant, Chroma, pgvector ваша, бесплатно
Модель для ответа Читает найденные фрагменты и пишет по ним связный ответ на языке вопроса наша, любая из каталога

Важное ограничение. Векторы разных моделей между собой несовместимы. Если однажды сменить модель эмбеддингов, базу придётся переиндексировать целиком — иначе поиск начнёт выдавать мусор, причём молча. Поэтому на маршруте эмбеддингов у нас намеренно нет автоматического фолбэка на другого поставщика: лучше честная ошибка, чем испорченная база.

Сколько стоит RAG-система в рублях

Расходов два: разовая индексация базы и оплата за каждый заданный вопрос. Посчитаем на компании, у которой внутренняя вики примерно на 10 миллионов токенов — это около 7 500 страниц текста.

Разово — индексация

216 ₽

10 млн токенов × 21,6 ₽ за миллион. Платится один раз при первой загрузке базы. Дальше — только за новые и изменённые документы: обновить сотню страниц стоит меньше трёх рублей.

Ежемесячно — 1000 вопросов

40–450 ₽

Зависит от того, какая модель пишет ответ. На каждый вопрос уходит около 4 000 входных токенов (пять найденных фрагментов плюс сам вопрос) и 300 выходных.

Модель для ответа Ввод / вывод, ₽ за 1 млн 1000 вопросов в месяц
GLM-5.3 Flash 8,1 / 27 ≈ 41 ₽
Gemini 3.8 Flash 81 / 405 ≈ 446 ₽
Claude Sonnet 5 216 / 1 080 ≈ 1 188 ₽

На этой задаче модель не рассуждает, а пересказывает готовое — поэтому флагман здесь почти никогда не нужен. Разумный порядок действий: собрать на дешёвой модели, посмотреть на реальных вопросах, и поднимать класс только если ответы действительно не устраивают. Смена модели — это одна строка в коде, а не новая интеграция.

Когда RAG не нужен

Современные модели держат в контексте до миллиона токенов — это примерно 2 500 страниц. Если весь ваш корпус документов меньше сотни страниц, никакой RAG не нужен: складывайте документы прямо в запрос и не стройте инфраструктуру.

Ломается этот подход не на размере базы, а на числе вопросов. Сотня страниц — это около 70 000 токенов, и вы платите за них при каждом запросе: на Gemini 3.8 Flash это 5,7 ₽ за вопрос. Пятьдесят вопросов в месяц — 285 ₽, и городить RAG незачем. Тысяча вопросов — уже 5 700 ₽ против 450 ₽ у RAG.

Так что считайте по частоте обращений, а не по объёму архива. И проверьте вторую вещь: если вопросы к базе задаются раз в неделю двумя людьми, выигрыш будет не в деньгах и не во времени, а его не будет вовсе.

Чего RAG не делает

  • ✕Не считает. Вопросы вида «какая выручка за квартал» — это запрос к базе данных, а не поиск по смыслу.
  • ✕Не наводит порядок. Если регламенты противоречат друг другу, система найдёт оба и ответит уверенно по случайному.
  • ✕Не убирает проверку. Ответ надо показывать со ссылкой на источник — чтобы человек мог открыть и убедиться.
  • ✕Не заменяет права доступа. Разграничение «кому какие документы видно» делается до поиска, на вашей стороне.

Как собрать RAG-систему на нашем ключе

Адрес API один на весь каталог — https://api.kosareva.cloud/v1, схема совпадает с OpenAI. Если у вас уже есть код на LangChain или LlamaIndex, менять нужно ровно две строки: базовый адрес и ключ.

Посчитать векторы для фрагментов

Список строк за один запрос — так индексация идёт пачками, а не по одной. Полученные векторы кладутся в векторную базу вместе с текстом фрагмента. 

from openai import OpenAI

client = OpenAI(
    api_key="ВАШ_КЛЮЧ_KOSAREVA",
    base_url="https://api.kosareva.cloud/v1",
)

fragments = [
    "Срок рекламации — 14 календарных дней с момента получения товара.",
    "Возврат оформляется через личный кабинет, раздел «Заказы».",
]

response = client.embeddings.create(model="gemini-embedding-2", input=fragments)
vectors = [row.embedding for row in response.data]
print(len(vectors), len(vectors[0]))  # 2 3072

Найти нужные фрагменты по вопросу

Вопрос превращается в вектор той же моделью, а векторная база возвращает ближайшие к нему фрагменты. Пяти обычно достаточно. 

question = "сколько дней даётся на возврат"

qvec = client.embeddings.create(
    model="gemini-embedding-2", input=question
).data[0].embedding

# поиск в вашей векторной базе — Qdrant, Chroma, pgvector
found = store.search(qvec, limit=5)  # список текстов фрагментов

Получить ответ по найденному

Найденные куски отдаются модели вместе с вопросом. Инструкция «отвечай только по тексту» — не формальность: без неё модель дополнит ответ своими знаниями, и отличить одно от другого будет нельзя. 

answer = client.chat.completions.create(
    model="gemini-3-8-flash",
    messages=[
        {"role": "system", "content":
            "Отвечай только по приведённым фрагментам. "
            "Если ответа в них нет — так и скажи."},
        {"role": "user", "content":
            "Фрагменты:\n" + "\n\n".join(found) + f"\n\nВопрос: {question}"},
    ],
)
print(answer.choices[0].message.content)

Тот же ключ работает с LangChain, LlamaIndex, n8n и любым клиентом, который умеет OpenAI-совместимый эндпоинт. Отдельного ключа под каждую модель заводить не нужно — один ключ открывает весь каталог, включая эмбеддинги.

Собрать под ключ или получить ключ

Если в компании есть разработчик — заводите ключ в кабинете и собирайте сами, это работа на несколько дней. Если разработчика нет, соберём мы: внедрение ИИ — фиксированные пакеты, база знаний внутри.

  • Документы остаются у вас

    Векторная база разворачивается в вашем контуре. Наружу уходит только текст фрагмента в момент расчёта вектора.

  • Обезличивание, если нужно

    Шлюз API Guard заменяет почты, телефоны, ИНН и паспорта на заглушки, а в ответе возвращает настоящие значения.

  • Договор с юрлицом и закрывающие документы

    ООО «Kosareva Cloud», Республика Армения. Счёт, акт и инвойс на каждое пополнение, банковский перевод в рублях.

Написать сразу: ceo@kosareva.cloud, +7 995 154-15-35, @kosareva_cloud

Ответим за 4 рабочих часа.
Не передаём данные третьим лицам и не звоним без вашей просьбы.

Отправляя заявку, вы соглашаетесь с политикой обработки персональных данных.

Частые вопросы

Что такое RAG-система простыми словами? +

Это связка поиска и языковой модели: сначала по вопросу человека находятся нужные куски ваших документов, затем модель пишет ответ, опираясь только на них. Аббревиатура расшифровывается как retrieval augmented generation — «генерация, дополненная поиском». Смысл в том, что модель не выдумывает ответ из своей памяти, а пересказывает найденное, и на каждый ответ можно показать источник.

Сколько стоит RAG-система в рублях? +

Разово за индексацию — 21,6 ₽ за миллион токенов: база на 10 миллионов токенов обойдётся в 216 ₽. Дальше платите только за вопросы: тысяча ответов в месяц на GLM-5.3 Flash стоит около 41 ₽, на Gemini 3.8 Flash — около 446 ₽. Абонентской платы нет, векторная база бесплатная и ставится у вас.

Какая модель эмбеддингов нужна для русского языка? +

В нашем каталоге это Gemini Embedding 2: вектор на 3072 измерения, до 2048 токенов на фрагмент, 21,6 ₽ за миллион токенов. Она хорошо держит смысл русского текста и принимает список фрагментов за один запрос, поэтому индексация идёт пачками, а не по строчке.

Можно ли обойтись без RAG и просто отдать документы модели? +

Да, если документов немного. Gemini 3.8 Flash держит в контексте миллион токенов — около 2 500 страниц, и сотню страниц можно отдавать в каждый запрос целиком. Но платить придётся за весь объём при каждом вопросе: сотня страниц стоит около 5,7 ₽, то есть тысяча вопросов — 5 700 ₽ против 450 ₽ у RAG. Порог окупаемости проходит по числу вопросов, а не по размеру базы.

Нужна ли отдельная векторная база данных? +

Нужна, но покупать её не нужно. Qdrant, Chroma или расширение pgvector для PostgreSQL — открытые и бесплатные, ставятся на ваш сервер и никуда не отдают данные. Мы продаём только модели: эмбеддинги и генерацию ответа.

Данные компании уходят за границу? +

Векторная база и сами документы остаются у вас. За границу уходит только текст фрагмента в момент расчёта вектора и текст найденных фрагментов в момент ответа. Если и этого нельзя — ставится шлюз API Guard: он заменяет в запросе почты, телефоны, ИНН, СНИЛС и паспорта на заглушки, а в ответе возвращает настоящие значения.

Чем это отличается от дообучения модели на своих данных? +

Дообучение меняет саму модель и стоит дорого, а обновить в ней один документ нельзя — только переучивать заново. RAG ничего в модели не меняет: поменялся регламент — переиндексировали одну страницу за копейки, и система отвечает по-новому со следующего вопроса. Для корпоративных знаний, которые постоянно меняются, RAG почти всегда правильнее.

Страница обновлена 6 сентября 2026 года.