Сборка собственного пайплайна из векторных баз, кастомных эмбеддеров и реранкеров стала негласным стандартом индустрии. Но оправдана ли поддержка этой громоздкой инфраструктуры для типовых задач?

Google обновила инструмент File Search в Gemini API, превратив его в управляемый RAG, который забирает на себя базовую рутину. Главным нововведением стала нативная мультимодальность на базе алгоритмов Gemini Embedding 2. Система теперь анализирует загруженные документы целиком, понимая их визуальную составляющую без дополнительных костылей. Это позволяет искать нужные фрагменты архивов через промпты на естественном языке, описывая нужную атмосферу или композицию графики. Также появилась поддержка кастомных метаданных, что дает возможность жестко фильтровать результаты до этапа семантического поиска.

Правда, за удобство подхода «все в одном» неизбежно приходится платить потерей контроля. Для большинства базовых сценариев такого решения действительно хватит с головой, и оно сэкономит недели разработки на старте. Проблема в том, что при попытке масштабировать систему или настроить нестандартную логику извлечения данных разработчики ожидаемо упрутся в закрытый черный ящик Google и классическую привязку к одному облачному вендору.