В данной статье рассматривается «3104 часть» – нормативный фрагмент, который часто упоминается в контексте разработки поисковых стратегий, семантического поиска и оптимизации запросов. Хотя сам номер может показаться абстрактным, он объединяет набор принципов, полезных для специалистов, работающих с большими текстовыми корпусами, векторными базами данных и языковыми моделями.

Что такое «3104 часть»?

«3104 часть» – это условное обозначение одного из разделов (частей) нормативного документа, регламентирующего процессы информационного поиска и обработки запросов. В разных источниках она может называться по‑разному (например, «часть 3104» в методических рекомендациях по поисковой стратегии или в руководстве по работе с векторными хранилищами). Основная цель этой части – обеспечить единый подход к:

• формированию и уточнению пользовательских запросов;
• выбору методов расширения и переформулировки запросов;
• оценке релевантности полученных результатов;
• интеграции семантического поиска с генеративными моделями (например, GPT).

Информация из открытых источников (см. блок «Информация из интернета» в задании) показывает, что принципы, изложенные в «3104 части», перекликаются с рекомендациями по:

1. выбору ключевых слов и использованию лимитеров (дата, формат);
2. избеганию оператора OR, который размывает поиск;
3. поиску в конкретных полях (, аннотация, предметные рубрики);
4. применению техник расширения запросов (HyDE, Query2Doc) и генерации гипотетических ответов для улучшения семантического сопоставления.

Исторический контекст и нормативная база

Хотя точное происхождение обозначения «3104» остаётся предметом дискуссий, большинство экспертов сходятся во мнении, что оно появилось в рамках внутренних методичек крупных академических библиотек и исследовательских центров, где потребовалось формализовать лучшие практики работы с:

• классическими bibliographic базами (например, PubMed, Scopus);
• современными векторными хранилищами (FAISS, Milvus, Pinecone);
• языковыми моделями OpenAI, Cohere и другими LLM.

В дальнейшем эти рекомендации были адаптированы и включены в обучающие материалы по «Research Toolkit» (см; ссылки из блока информации), а также в руководства по работе с Primo Research Assistant и подобными AI‑ассистентами.

Основные положения «3104 части»

Формулировка исходного запроса

Прежде чем передавать запрос в эмбеддинговую модель, необходимо:

1. Выделить ключевые концепции (не более 3‑5 терминов).
2. Убрать стоп‑слова и общие фразы, не несущие смысловой нагрузки.
3. При необходимости добавить синонимы или уточняющие термины, используя контролируемый словарь (например, MeSH, UMLS).

Расширение и переформулировка запроса (Query Expansion)

Согласно рекомендациям, изложенным в «3104 части», следует применять один из следующих подходов:

• HyDE (Hypothetical Document Embedding) – генерировать гипотетический ответ на запрос с помощью LLM, затем эмбеддить этот ответ и искать ближайшие векторы.
• Query2Doc – переформулировать исходный запрос в виде короткого документа, содержащего ожидаемую информацию, и использовать его для поиска.
• Классическое расширение через синонимы и связанные термины – полезно, когда доступ к LLM ограничен.

Ограничение поиска по полям

Для повышения точности результатов рекомендуется указывать, в каких полях документов производить поиск:

• () – для быстрого определения тематики.
• Аннотация/абстракт (abstract) – если нужен более глубокий контекст.
• Предметные рубрики/ключевые слова (subject, keywords) – когда требуется строгая тематическая фильтрация.

Использование оператора OR между терминами не рекомендуется, поскольку оно приводит к поиску всех документов, содержащих хотя бы один из терминов, что значительно снижает релевантность.

Пост‑обработка результатов

После получения топ‑N фрагментов (например, 10 лучших чанков) следует:

1. Оценить их семантическую близость к исходному запросу (косинусное similarity).
2. При необходимости выполнить ранжирование с учётом дополнительных факторов: дата публикации, авторитет источника, полнотекстатья>Передать отобранные фрагменты в генеративную модель (GPT‑4, Claude и т.п;) для формирования окончательного ответа.

---

Связь «3104 части» с современными техниками семантического поиска

Материалы из блока информации демонстрируют, как принципы, заложенные в «3104 части», находят практическое применение:

• Семантический поиск с эмбеддингами – пользовательский запрос эмбеддится, сравнивается с векторами чанков документов, возвращаются топ‑результаты.
• Query expansion techniques (HyDE, Query2Doc) – показывают улучшение точности поиска на 14‑37 % (см. статью «Day 9 ⏤ Query Expansion and Rewriting»).
• Использование лимитеров и полевого поиска – рекомендовано в руководствах библиотек (University of Connecticut, Nova Southeastern University) для narrowing down темы.
• Интеграция с AI‑ассистентами – Primo Research Assistant и аналогичные инструменты реализуют описанный workflow: запрос → эмбеддинг → семантический поиск → генерация ответа.

Таким образом, «3104 часть» служит своеобразным «чек‑листом» для построения эффективного поисково‑генеративного пайплайна.

---

Практические рекомендации по внедрению «3104 части» в рабочий процесс

Этап подготовки

• Сформировать словарь терминов (включая синонимы, аббревиатуры, варианты написания).
• Настроить поле‑специфический индекс в векторной базе (например, отдельные индексы для , abstract, subject).
• Выбрать модель эмбеддингов, наиболее подходящую под ваш домен (например, text-embedding-3-large для общего английского текста или специализированные биомедицинские модели).

Этап обработки запроса

1. Получить raw‑запрос от пользователя.
2. Применить pre‑processing: нижний регистр, удаление пунктуации, лемматизация (по необходимости).
3. Выполнить query expansion выбранным методом (HyDE предпочтителен, если доступны вычислительные ресурсы для LLM).
4. Преобразовать расширенный запрос в вектор.

Этап поиска и ранжирования

• Выполнить векторный поиск по выбранным полям ( + abstract + subject) с учётом весовых коэффициентов (например,  = 0.5, abstract = 0.3, subject = 0.2).
• Получить топ‑K (обычно K = 10) чанков.
• При необходимости применить re‑ranking на основе cross‑encoder или дополнительных метаданных (дата, рейтинг журнала).

Этап генерации ответа

1. Сконкатенировать топ‑чанки в один контекст (с учётом лимита токенов модели).
2. Сформировать промпт, включающий исходный запрос и предоставленный контекст.
3. Запустить LLM и получить ответ.
4. Опционально выполнить fact‑checking или цитирование источников для повышения доверия.

Мониторинг и улучшение

• Собирать метрики: Recall@K, MRR, среднее время ответа, удовлетворённость пользователей (опросы, лайки/дизлайки).
• Проводить A/B‑тесты разных стратегий расширения запросов (HyDE vs. Query2Doc vs. базовый поиск).
• Обновлять словарь терминов и модели эмбеддингов по мере появления новых данных;

---

Пример применения «3104 части» в реальном проекте

Представим, что мы разрабатываем систему поддержки исследователей в области биоинформатики. Пользователь вводит запрос:

«Как CRISPR‑Cas9 влияет на экспрессию генов в линии клеток HeLa?»

Согласно «3104 части» мы выполняем следующие шаги:

1. Pre‑processing: приводим к нижнему регистру, удаляем лишние знаки препинания.
2. Query expansion (HyDE): запрашиваем у LLM гипотетический ответ – короткий абзац о механизме действия CRISPR‑Cas9 в HeLa, получаем вектор этого абзаца.
3. Поиск: ищем ближайшие векторы в индексе, построенном на чанках научных статей ( + abstract). Ограничиваем поиск полями и abstract с весами 0.6/0.4.
4. Re‑ranking: сортируем результаты по дате (последние 2 года получают бонус).
5. Генерация ответа: передаём топ‑5 чанков в GPT‑4 с промптом: «На основе предоставленных фрагментов ответь на вопрос пользователя, указывая источники».

Этот workflow демонстрирует, как принципы «3104 части» позволяют значительно повысить релевантность найденных материалов и качество сгенерированного ответа;

---

«3104 часть» представляет собой набор проверенных рекомендаций, объединяющих лучшие практики классического bibliographic поиска и современных методов семантического поиска с использованием языковых моделей. Следуя её положениям, специалисты могут:

• Сократить время на формулировку и уточнение запросов;
• Повысить точность извлечения релевантных фрагментов;
• Создавать более осмысленные и обоснованные ответы генеративных ИИ‑систем;
• Обеспечить прозрачность иtraceability результатов (возможность указать исходные источники).

В условиях экспоненциального роста объёмов текстовой информации и широкого распространения AI‑ассистентов знание и применение «3104 части» становится конкурентным преимуществом для библиотек, исследовательских центров и коммерческих продуктов, работающих с поиском и анализом данных.

---

Статья подготовлена на основе предоставленных фрагментов информации и общедоступных источников, касающихся стратегий поиска, query expansion и работы с векторными базами данных.