Раніше я ставився до свого RAG-конвеєра як до «чорної скриньки». На вхід подавалися ембеддінги, на виході отримувалися відповіді, а десь посередині мій рахунок за хмарні послуги невпинно зростав. Як і більшість розробників, з якими я спілкувався, я вважав, що головними винуватцями є моделі щільних векторів. Вони здавалися дорогими. Перетворення тисячі сторінок на багатовимірні числа (floats) нагадувало важке виробництво, тому я ставився до цього з відповідною обережністю. Я навіть побудував шар кешування спеціально для того, щоб уникнути повторного створення ембеддінгів для даних, які вже обробив. Я пишався цією оптимізацією. А потім я відкрив інвойс і порахував.
Я оптимізував зовсім не те.
Пастка ембеддінгів
Ось цифра, яка зруйнувала мої припущення: ембеддінг 1000-сторінкового документа коштує приблизно вісімнадцять центів. Це не друкарська помилка. Менше ніж за ціну чашки кави в більшості міст, ви можете векторизувати цілу книгу. Що ще важливіше, ці витрати виникають лише один раз — під час завантаження (ingestion). Після першого проходу ці вектори просто лежать у сховищі й чекають. Вони не нараховують комісію щоразу, коли користувач відкриває ваш застосунок. Це капітальні витрати, а не регулярний відтік коштів.
Проте міф живе. Частина плутанини має структурний характер. Конвеєр завантаження — це те, на що інженери витрачають свою першу енергію. Ви пишете чанкер, боретеся з токенізатором, спостерігаєте, як смужки прогресу повільно повзуть у терміналі. Ці видимі зусилля створюють ілюзію пропорційності. Це здається найдорожчою частиною, тому що це найбільш трудомістка частина. Але праця та вартість — це не одне й те саме, а в RAG вони часто перебувають у зворотній залежності.
Три зовсім різні рахунки
Щойно я розділив витрати за етапами, а не згрупував їх разом, картина прояснилася. RAG-система працює за трьома різними економічними моделями, і розуміння різниці між ними є критично важливим, якщо ви хочете зберегти розумний бюджет.
Ембеддінги — це одноразові виробничі витрати. Ви платите за перетворення документів у вектори, і на цьому все. Якщо ваші документи статичні, цей пункт у вашому щомісячному рахунку майже не з'являється.
Векторні бази даних — це оренда інфраструктури. Ви платите за те, щоб система працювала цілодобово. Ви платите за SSD, на яких зберігаються мільйони фрагментів, за ядра CPU, що підтримують індекси, і за мережу, яка забезпечує пошук швидкістю менше 100 мс. Ці витрати реальні, і вони масштабуються разом із обсягом даних, але вони зазвичай передбачувані. Це схоже на абонемент у спортзал. Незалежно від того, робите ви один запит чи десять тисяч, базова вартість інфраструктури залишається приблизно однаковою.
Великі мовні моделі — це податки на споживання. Кожне запитання користувача створює новий рахунок. Кожен токен, який виходить із вашого шару пошуку (retrieval layer) і потрапляє в промпт, коштує грошей. Кожен крок міркування, кожна інструкція з форматування, кожне цитування, яке ви просите модель згенерувати, додає мікроскопічну вагу. Але ці мікроплатежі множаться на кількість сесій, а кількість сесій постійно зростає. Саме тут затримка (latency) призводить до лавиноподібного зростання витрат. Повільний запит — це не просто незручно для користувача; це активне спалювання грошей, поки користувач чекає.
Це не варіації однієї проблеми. Це три окремі проблеми. Ви не можете вирішити проблему витрат під час запиту, зробивши завантаження дешевшим. Це все одно що налаштовувати двигун автомобіля, щоб заощадити на паркуванні.
Куди насправді йдуть гроші
Якщо ви запускаєте RAG-застосунок у продакшені, відкрийте свій cost explorer і відфільтруйте витрати за типом використання. Готовий покластися на те, що ваше завдання з ембеддінгу виглядає як пряма лінія раз на день, тоді як ваш LLM-ендпоінт нагадує серцебиття, що збувається разом із трафіком. Цей патерн розповідає всю історію. Ваші вектори сплять; ваша модель прокидається щоразу, коли у користувача виникає запитання.
Це усвідомлення змінило те, як я розставляю пріоритети в інженерній роботі. Я перестав питати, як зробити завантаження дешевшим, і почав питати, як зробити кожне запитання дешевшим. Ця зміна здається очевидною, але більшість команд досі діють навмання. Вони створюють складну логіку дедуплікації для етапу ембеддінгів, а потім без жодних роздумів подають роздуті, нефокусовані вікна контексту в LLM. Вони натирають підлогу до блиску, поки тече дах.
Як скоротити витрати, не зламавши свій конвеєр
Економія грошей у RAG-системі вимагає відповідності тактики моделі витрат. Ось що справді працює.
Виконуйте дедуплікацію перед обробкою
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.