Бесплатный RAG: из чего собрать поиск по своим документам
Обновлено 23 октября 2026
RAG (retrieval-augmented generation) — способ научить нейросеть отвечать по вашим документам: сначала найти подходящие фрагменты, потом отдать их модели вместе с вопросом. Все части такой системы можно собрать на бесплатных тарифах.
Из чего состоит RAG
- Разбор документов — превращаем PDF и сканы в текст.
- Эмбеддинги — переводим фрагменты текста в векторы.
- Векторная база — храним векторы и ищем похожие.
- Rerank — пересортировываем найденное по точности.
- LLM — пишет ответ по найденным фрагментам.
Бесплатные сервисы для каждого шага
| Шаг | Варианты | Лимит |
|---|---|---|
| Разбор документов | OCR.space, Zerodoc, Unstructured | 25 000 запросов / 200 страниц в месяц / 10 000 страниц разово |
| Эмбеддинги | Pinecone, Weaviate Cloud, Qdrant Cloud | 5 млн токенов в месяц / 2000 в сутки / встроенные модели |
| Векторная база | Qdrant Cloud, Upstash Vector, Pinecone | 1 ГБ / 10 000 операций в сутки |
| Rerank | Pinecone, NeuralDeep | 500 запросов в месяц / без опубликованной квоты |
| LLM | Groq, Google Gemini, Mistral | см. карточки |
Русский язык
Для русских текстов выбирайте мультиязычные модели эмбеддингов: например, multilingual-e5 (есть в Pinecone и Qdrant) или открытую модель USER2, которую можно запустить локально.
Если нужен поиск по интернету
Добавьте веб-поиск: Tavily и Exa сделаны специально для LLM и возвращают уже очищенный текст. Для загрузки конкретных страниц — Firecrawl.
Как уложиться в лимиты
- Считайте эмбеддинги один раз и храните их, а не пересчитывайте при каждом запросе.
- Режьте документы на фрагменты по 300–800 токенов — так меньше расход и выше точность.
- Отдавайте модели 3–5 лучших фрагментов после rerank, а не 20 подряд.
- Держите запасную LLM на случай ошибки 429 — подробнее в гайде про аналоги OpenAI.