RAG на LLM API: retrieval-augmented generation по шагам

от 16 ₽ за 1 млн входных токенов, списание по факту. Пополнение от 500,00 ₽.

Подключить API

RAG (retrieval-augmented generation) дает модели доступ к вашим документам без дообучения: перед генерацией вы находите в своей базе фрагменты, релевантные запросу, и подкладываете их в промпт как контекст. Ниже рабочий пайплайн по шагам с кодом на Python для любого OpenAI-совместимого API. Адрес api.example.com и ключ LLM_API_KEY в примерах условные, подставьте данные своего провайдера.

API-доступ к моделям через PayClarus

OpenAI-совместимый адрес https://payclarus.com/api/llm/v1, свой ключ и баланс в рублях. Списание по фактическим токенам каждого запроса. Пополнение от 500,00 ₽ картой или через СБП.

  1. Войдите или зарегистрируйтесь на PayClarus.
  2. В личном кабинете, раздел «API-доступ», пополните баланс и выпустите ключ.
  3. Укажите ключ и адрес в OpenAI SDK или любом клиенте с настройкой base_url.
Подключить API
Цены API за 1 млн токенов (29 моделей)
МодельВходВыход
claude-fable-5-11 953 ₽9 764 ₽
claude-haiku-5-5запрос длиннее 100 тыс. токенов: вход ×5, выход ×520 ₽98 ₽
claude-opus-5-5782 ₽3 906 ₽
claude-sonnet-5-5391 ₽1 953 ₽
deepseek-v4-pro176 ₽528 ₽
deepseek-v4.1-flash59 ₽235 ₽
doubao-seed-2-1-pro-260915176 ₽879 ₽
doubao-seed-2-1-turbo-26062888 ₽440 ₽
gemini-3.1-flash-lite43 ₽255 ₽
gemini-3.1-pro-previewзапрос длиннее 200 тыс. токенов: вход ×2, выход ×1,5340 ₽2 037 ₽
gemini-3.8-flash128 ₽637 ₽
gemini-4-argon340 ₽1 697 ₽
glm-5.3274 ₽860 ₽
glm-5.3-flash30 ₽98 ₽
gpt-4o-mini24 ₽96 ₽
gpt-5.3-codex229 ₽1 828 ₽
gpt-6-astraзапрос длиннее 272 тыс. токенов: вход ×2, выход ×1,51 598 ₽7 989 ₽
gpt-6-lunaзапрос длиннее 272 тыс. токенов: вход ×2, выход ×1,516 ₽80 ₽
gpt-6.1-solзапрос длиннее 272 тыс. токенов: вход ×2, выход ×1,5320 ₽1 598 ₽
gpt-6.1-terraзапрос длиннее 272 тыс. токенов: вход ×2, выход ×1,5160 ₽799 ₽
grok-4.3запрос длиннее 200 тыс. токенов: вход ×2, выход ×298 ₽196 ₽
grok-4.7запрос длиннее 200 тыс. токенов: вход ×2, выход ×2157 ₽470 ₽
kimi-k3400 ₽1 998 ₽
kimi-k3.1-pro391 ₽1 953 ₽
MiniMax-M3запрос длиннее 512 тыс. токенов: вход ×2, выход ×259 ₽235 ₽
MiniMax-M3.1-Flash20 ₽80 ₽
qwen3.7-plusзапрос длиннее 256 тыс. токенов: вход ×3, выход ×379 ₽313 ₽
qwen3.8-flash30 ₽92 ₽
qwen3.8-max391 ₽1 172 ₽

Цены на 22/11/2026 по курсу ЦБ, пересчитываются каждый день и округлены вверх до рубля. Списываем по фактическому числу токенов каждого запроса, итоговую сумму округляем вверх до копейки. Если под моделью есть пометка, запрос длиннее указанного порога списывается целиком по цене с надбавкой.

Цены по курсу ЦБ · 22/11/2026

Что такое RAG и зачем он нужен

RAG решает задачу, которую не закрывает голая модель: ответить по вашим внутренним данным (документации, базе знаний, договорам, тикетам), которых нет в обучающей выборке. Вместо дообучения модели вы храните корпус отдельно, на каждый вопрос пользователя находите в нем наиболее подходящие фрагменты (retrieval) и передаете их модели как контекст (augmented generation). Плюсы для продакшена: базу можно обновлять без переобучения, ответы опираются на конкретные фрагменты, которые можно показать как источники, а расход токенов предсказуем, потому что в промпт попадает не весь корпус, а только top-k релевантных кусков.

Пайплайн RAG: шесть этапов

Полный контур выглядит так. (1) Корпус: собираете документы и режете их на чанки по несколько сотен токенов, чтобы каждый помещался в контекст и был семантически цельным. (2) Эмбеддинги: каждый чанк прогоняете через метод embeddings и получаете вектор, числовое представление смысла. (3) Векторный индекс: складываете векторы в векторное хранилище, например pgvector, FAISS или Qdrant, подойдет любое с поиском по косинусной близости. (4) Поиск top-k: на входящий вопрос строите эмбеддинг тем же способом и достаете k ближайших чанков. (5) Промпт с контекстом: найденные чанки вставляете в системный или пользовательский промпт с инструкцией отвечать только по ним. (6) Генерация: отправляете собранный промпт в chat.completions на модель-генератор. Если провайдер дает и эмбеддинги, и генерацию через один API, этапы 2 и 6 идут на один base_url с одним ключом.

Индексация корпуса и эмбеддинги

Эмбеддинги в RAG строятся дважды: один раз офлайн для всего корпуса при индексации и затем на каждый запрос для текста вопроса. В обоих случаях нужна одна и та же модель эмбеддингов, чтобы векторы лежали в одном пространстве и косинусная близость была осмысленной. Цен на эмбеддинги на этой странице нет: их нет в нашем каталоге, а придумывать цифры мы не будем. Практические заметки: держите размер чанка стабильным, сохраняйте рядом с вектором метаданные (id документа, заголовок, ссылку) для показа источников и переиндексируйте только изменившиеся документы.

from openai import OpenAI

client = OpenAI(
    api_key="LLM_API_KEY",                   # ключ вашего провайдера
    base_url="https://api.example.com/v1",   # адрес вашего провайдера
)

# 1) Корпус: документы, порезанные на чанки
corpus = [
    "Заказ доставляется за 2-3 рабочих дня после оплаты.",
    "Вернуть товар можно в течение 14 дней с момента получения.",
    "Поддержка отвечает в чате круглосуточно.",
]

# 2) Эмбеддинги для каждого чанка
resp = client.embeddings.create(
    model="<embeddings-model>",  # имя эмбеддинг-модели у провайдера
    input=corpus,
)
vectors = [item.embedding for item in resp.data]

# 3) Векторный индекс: сложите vectors в pgvector / FAISS / Qdrant (например)
#    рядом с вектором храните метаданные чанка: id, заголовок, ссылку
for chunk, vec in zip(corpus, vectors):
    print(len(vec), "dims ->", chunk[:40])

Поиск и сборка промпта с контекстом

На этапе ответа вы строите эмбеддинг вопроса тем же вызовом, что и для корпуса, и запрашиваете у векторного хранилища k ближайших чанков. Типичное k от 3 до 8, его подбирают под задачу и длину контекста модели. Найденные фрагменты склеиваются в блок контекста, который передается модели вместе с инструкцией отвечать строго по приведенным фрагментам, а если ответа в них нет, сообщать об этом, а не выдумывать. Это стандартный прием против галлюцинаций. Для показа источников вернитесь к метаданным чанков, которые сохранили при индексации: сама модель ссылок не хранит.

Выбор модели-генератора

Генератор в RAG отвечает за качество финального текста, retrieval при этом одинаков для любой модели. Легкие модели вроде gpt-6-luna подходят для больших объемов и простых ответов, gpt-6.1-sol и claude-sonnet-5-5 нужны, когда важнее качество рассуждения по контексту, gemini-3.8-flash дает быстрый баланс. Калькулятор ниже оценивает месячную стоимость генерации по ценам на сегодня в рублях, эмбеддинги в нем не считаются. Весь каталог и карточки семейств: /ai-tools/models/.

Проверка ключа на адресе PayClarus

Адрес https://payclarus.com/api/llm/v1 совместим с OpenAI Chat Completions: подойдет официальный SDK OpenAI для Python и Node.js или любой клиент с настройкой base_url. Ключ вида pcl_... выпускается в разделе «API-доступ» после входа на сайт. В примере модель gpt-6-luna, ее можно заменить на любую модель каталога. Ошибки, лимиты, потоковый ответ и настройка Cursor, Cline и Continue описаны в документации API.

# pip install openai
from openai import OpenAI

client = OpenAI(
    api_key="pcl_...",
    base_url="https://payclarus.com/api/llm/v1",
)
resp = client.chat.completions.create(
    model="gpt-6-luna",
    messages=[{"role": "user", "content": "Привет! Ответь одним предложением."}],
)
print(resp.choices[0].message.content)

Калькулятор стоимости генерации

Задайте нагрузку: сколько токенов уходит на запрос и сколько запросов в месяц. Расчет покажет месячную стоимость моделей-генераторов в рублях по ценам на сегодня.

При такой нагрузке дешевле всего выходит gpt-6-luna: 639 ₽ в месяц.

МодельЗа 1 запросВ месяц
gpt-6-lunaдешевле всего0.06 ₽639 ₽
gemini-3.8-flash0.51 ₽5 091 ₽
gpt-6.1-sol1 ₽12 781 ₽
claude-sonnet-5-52 ₽15 622 ₽

Оценка по ценам каталога в рублях по курсу ЦБ на сегодня, без надбавки за длинный запрос. Реальный расход зависит от структуры промптов.

На что хватит пополнения

ПополнениеПисемСтатейДней бота
500 ₽10 0001 92325
1 000 ₽20 0003 84650
5 000 ₽100 00019 230250

Размеры задач это наше допущение, а не замер: письмо: 1 запрос, 300 токенов на входе и 500 на выходе, статья: 1 запрос, 1 000 токенов на входе и 3 000 на выходе, бот: 100 диалогов в день по 4 запроса, в каждом 1 500 токенов на входе (история и инструкция) и 300 на выходе. Каждый запрос списывается по фактическим токенам и округляется вверх до копейки, поэтому длинные промпты и история диалога заметно меняют итог.

Полезные ссылки

Частые вопросы

Эмбеддинги и генерация могут идти через один и тот же адрес?
Да, если провайдер дает обе модели через один OpenAI-совместимый API. Тогда метод эмбеддингов и chat.completions работают с одним ключом, а этапы различаются только значением поля model.
Сколько стоят эмбеддинги в рублях?
Цен на эмбеддинги на этой странице нет: их нет в нашем каталоге, а придумывать цифры мы не будем. Калькулятор считает только модели генерации (chat).
Какую векторную базу нужно использовать?
Подойдет любое векторное хранилище с поиском по близости векторов, например pgvector, FAISS или Qdrant. Выбор зависит от вашей инфраструктуры.
Мой RAG написан под официальный OpenAI SDK. Что менять при смене провайдера?
Если новый провайдер OpenAI-совместимый, обычно меняются base_url (в Node.js baseURL), ключ и имена моделей. Насколько полно провайдер поддерживает embeddings, streaming, tool calling и JSON-режим, проверяйте в его документации.
Можно ли купить доступ к моделям для RAG у PayClarus?
Да. Войдите на PayClarus и откройте раздел «API-доступ»: пополните баланс в рублях, выпустите ключ и укажите его вместе с адресом API в OpenAI SDK или любом клиенте с настройкой base_url. Списание по фактическим токенам каждого запроса.

Нужен доступ к моделям для RAG?

Ключ можно получить сразу: войдите на PayClarus и в разделе «API-доступ» пополните баланс и выпустите ключ. Если задача нестандартная, опишите ее в заявке, ответим на email.