Развёртывание и настройка production-инфраструктуры для RAG-систем (Retrieval-Augmented Generation), позволяющих AI-моделям работать с собственной базой документов и корпоративных данных. Подготовлено Linux-окружение и Docker-инфраструктура с изоляцией отдельных компонентов системы. Настроены backend-сервис, векторная база данных, основная БД, Redis и сервисы обработки документов. Реализован полный RAG-пайплайн: загрузка PDF, DOCX и других документов, извлечение и нормализация текста, разделение на фрагменты, построение embeddings и сохранение в векторном хранилище. Настроен семантический поиск релевантных фрагментов с последующей передачей найденного контекста в LLM. Предусмотрена интеграция с OpenAI, Claude, локальными LLM и другими AI-провайдерами через API. Архитектура позволяет заменять модель или векторное хранилище без полной переработки системы. Отдельное внимание уделено production-инфраструктуре: внутренние сервисы изолированы от публичного интернета, настроены Docker networks, reverse proxy, HTTPS, права доступа, переменные окружения, persistent volumes, резервное копирование и журналирование. Такое окружение подходит для корпоративных AI-ассистентов, поиска по документации, юридических и технических баз знаний, внутренних документов и других систем, где ответы AI должны формироваться на основании собственных данных