multilingual-e5-large показала лучшие результаты, чем all-MiniLM-L6-v2, которая демонстрировала выраженный семантический дрейф на абстрактной терминологии. Конвейер использует ChromaDB для хранения векторов и Qwen2.5-14B-coder через LM Studio для генерации ответов. К ключевым инженерным решениям относятся двойное обогащение данных (префикс "passage:" для E5 и промпт "Quotes from my book" для языковой модели), отфильтровывание ремарок типа указаний на манеру подачи речи и поддержка нескольких языков. Автор выделяет три открытых вопроса: стоит ли разбивать индекс Chroma на несколько коллекций по мере роста объёма данных, как реализовать память диалога без чрезмерного увеличения бюджета токенов и улучшит ли реранкер на основе cross-encoder точность поиска на текущих 911 фрагментах. Проект опубликован в виде исследовательского журнала на GitHub.