← Курс по Mastra · Урок 5

RAG: агент, который знает ваши материалы

Одна идея этого урока: RAG – это «умная библиотека» для агента. Вместо того чтобы запихивать все материалы в промпт, агент находит и читает только нужные страницы.

Проблема длинного промпта

У вашей школы – сотни страниц: уроки, регламенты, ответы на вопросы. Засунуть всё в промпт нельзя: контекст ограничен, дорого, и модель начинает «терять» детали в массе текста. RAG (Retrieval-Augmented Generation) решает это в два этапа:

1. Подготовка (один раз): материалы нарезаются на фрагменты, каждый превращается в «смысловой отпечаток» (embedding) и складывается в векторную базу.
2. Ответ (каждый раз): по вопросу студента находятся 3–5 самых близких по смыслу фрагментов – и только они подкладываются модели.

Конвейер в Mastra

const doc = MDocument.fromMarkdown(текстКурса)

const chunks = await doc.chunk({          // 1. нарезка
  strategy: 'markdown', maxSize: 512,
})

const { embeddings } = await embedMany({  // 2. смысловые отпечатки
  model: 'openai/text-embedding-3-small',
  values: chunks.map(c => c.text),
})

await vectorStore.upsert({                // 3. в векторную базу
  indexName: 'school-knowledge',
  vectors: embeddings,
})

Источник: документация Mastra, раздел RAG. Векторной базой может быть ваш PostgreSQL (pgvector) – отдельный сервис не нужен.

А дальше – самое приятное: готовый инструмент createVectorQueryTool отдаёт эту библиотеку агенту. Агент из урока 2 получает «руку», которой сам ищет по базе знаний, когда считает нужным.

Когда RAG, а когда просто промпт

💬 Спросите Claude Code: «что из материалов школы стоит положить в RAG-базу первым делом?»