Раньше я относился к своему RAG-конвейеру как к черному ящику. На вход подавались эмбеддинги, на выходе получались ответы, а где-то посередине рос мой счет за облачные услуги. Как и большинство разработчиков, с которыми я общался, я считал виновниками модели плотных векторов. Они казались дорогими. Преобразование тысячи страниц в многомерные числа с плавающей запятой ощущалось как тяжелое производство, поэтому я подходил к этому процессу с соответствующей осторожностью. Я даже построил слой кэширования специально для того, чтобы избегать повторного создания эмбеддингов для уже обработанных данных. Я гордился этой оптимизацией. А потом я открыл счет и посчитал.
Я оптимизировал совершенно не то.
Ловушка эмбеддингов
Вот число, которое разрушило мои представления: эмбеддинг 1000-страничного документа стоит примерно восемнадцать центов. Это не опечатка. Меньше стоимости чашки кофе в большинстве городов, и вы можете векторизовать целую книгу. Что еще важнее, эти затраты происходят один раз — при загрузке данных. После первоначального прохода эти векторы просто лежат в хранилище и ждут. Они не накапливают счета за использование каждый раз, когда пользователь открывает ваше приложение. Это капитальные затраты, а не регулярная утечка средств.
Тем не менее, миф сохраняется. Часть путаницы носит структурный характер. Инженеры тратят основную энергию на этапе конвейера загрузки. Вы пишете чанкер, сражаетесь с токенизатором, наблюдаете, как полосы прогресса медленно ползут в терминале. Эти видимые усилия создают иллюзию соразмерности. Кажется, что это самая дорогая часть, потому что она самая трудозатратная. Но трудозатраты и стоимость — это не одно и то же, а в RAG они часто обратно пропорциональны.
Три совершенно разных счета
Как только я разделил расходы по этапам, а не объединил их в одну кучу, картина прояснилась. RAG-система работает на трех различных экономических моделях, и понимание разницы между ними необходимо, если вы хотите сохранить бюджет в разумных пределах.
Эмбеддинги — это разовые производственные затраты. Вы платите за преобразование документов в векторы, и на этом всё. Если ваши документы статичны, эта строка в вашем ежемесячном счете почти не будет заметна.
Векторные базы данных — это аренда инфраструктуры. Вы платите за то, чтобы система работала круглосуточно. Вы платите за SSD, хранящие миллионы фрагментов, за ядра CPU, поддерживающие индексы, и за сеть, обеспечивающую поиск менее чем за 100 миллисекунд. Эти расходы реальны, и они масштабируются вместе с объемом данных, но они, как правило, предсказуемы. Это похоже на абонемент в спортзал. Независимо от того, делаете вы один запрос или десять тысяч, базовая стоимость инфраструктуры остается примерно одинаковой.
Большие языковые модели — это налоги на потребление. Каждый вопрос пользователя инициирует выставление счета. Каждый токен, который покидает ваш слой поиска и попадает в промпт, стоит денег. Каждый шаг рассуждения, каждая инструкция по форматированию, каждая цитата, которую вы просите модель сгенерировать, добавляет микроскопический вес. Но эти микроплатежи умножаются на количество сессий, а количество сессий постоянно растет. Именно здесь задержка (latency) накладывается на расходы. Медленный запрос — это не просто неудобство для пользователя; это активное сжигание наличности, пока пользователь ждет.
Это не вариации одной и той же проблемы. Это три разные проблемы. Вы не можете решить проблему расходов во время выполнения запроса, сделав загрузку данных дешевле. Это все равно что настраивать двигатель автомобиля, чтобы сэкономить на парковке.
Куда на самом деле уходят деньги
Если вы запускаете RAG-приложение в продакшене, откройте свой cost explorer и отфильтруйте данные по типу использования. Я готов поспорить, что ваша задача по созданию эмбеддингов выглядит как прямая линия (один раз в день), в то время как ваш эндпоинт LLM напоминает пульс, который подскакивает при росте трафика. Этот паттерн говорит обо всем. Ваши векторы спят; ваша модель просыпается каждый раз, когда у пользователя возникает вопрос.
Это осознание изменило то, как я расставляю приоритеты в инженерной работе. Я перестал спрашивать, как сделать загрузку дешевле, и начал спрашивать, как сделать каждый вопрос дешевле. Этот сдвиг кажется очевидным, но большинство команд все еще действуют по наитию. Они создают сложную логику дедупликации на этапе эмбеддингов, а затем без раздумий скармливают раздутые, нецелевые контекстные окна в LLM. Они натирают пол, в то время как крыша протекает.
Как сократить расходы, не сломав свой конвейер
Экономия денег в RAG-системе требует соответствия тактики модели затрат. Вот что действительно работает.
Удаляйте дубликаты перед обработкой
Most organizational knowledge bases move slowly. Policies, handbooks, research PDFs, and archived reports sit untouched for months. In many pipelines, about eighty percent of source documents stay identical between ingestion runs. Despite this, plenty of systems drop the entire corpus and rebuild the index from scratch on a schedule. Do not do that. Build a gate at the entry to your pipeline. Hash incoming files. Compare last-modified timestamps. If a document has not changed, skip it entirely. Re-processing static files is pure waste. It costs compute, it wears SSDs unnecessarily, and it balloons your ingestion logs with false activity.
In practice, store a lightweight manifest that maps file paths to checksums. When the scheduler wakes up, let it check the manifest first. Only the minority of changed files should ever see a chunker.
Patch Documents, Do Not Replace Them
When a document does change, resist the instinct to treat it as a brand-new file. A fifty-page technical spec might receive a two-paragraph revision in section four. If your pipeline replaces the entire file, you will re-chunk and re-embed forty-nine perfectly good pages for no reason.
Instead, compare the new version against the old one. Identify the delta. Then re-chunk and re-embed only the sections that changed. Use metadata like page numbers, section IDs, header anchors, or paragraph ranges to track boundaries. If your chunking strategy respects document structure, this is straightforward. If it does not, fixing your chunker is a better investment than buying a bigger inference cluster. The engineering cost of maintaining a diff-aware pipeline pays for itself within weeks once your document count scales.
Attack the Recurring Costs Head-On
Since LLM calls run on every query, shaving even a few tokens or caching a handful of responses creates outsized returns. Start with prompt caching. If one user asks about your refund policy and another asks the same thing ten minutes later, there is no reason to hit the model twice. Store recent query-response pairs with semantic similarity matching. When a new question lands within a similarity threshold of a cached one, return the stored answer directly. No tokens generated, no dollars spent.
Next, look hard at your retrieval quality. A sloppy retriever forces the LLM to read a haystack to find the needle. If you stuff the prompt with twenty irrelevant chunks because your top-k cutoff is too loose, you are paying the model to skim noise. Tighten your retrieval. Trim your top-k. Compress chunks before sending them. Remove boilerplate footers and headers during ingestion so they never reach the prompt. Every token you remove from the context window is a fraction of a cent saved, and those fractions accumulate across thousands of daily queries.
Better retrieval also improves latency, which is another form of cost. Users abandon slow interfaces. A faster answer is both cheaper to produce and better for retention.
The Real Takeaway
Stop optimizing what feels expensive and start optimizing what your invoice says is expensive. Measure each stage independently. You will likely find that embeddings are the cheap part, vector storage is the steady part, and LLM inference is the part that bleeds. Focus your energy on query-time efficiency, incremental updates, and surgical deduplication. Build for the thousandth user question, not the fiftieth document upload. The bottleneck is rarely where you think it is.
Source: Where Does RAG Actually Cost You Money? I Decided to Stop Guessing
Join the discussion in the GyaanSetu AI learning community.