Якщо ви – МСК0 – абсолютно нова людина в РАГ, – МSK1 – почнете з RAG пояснює і Архітектура РАГ. Це пост для того моменту, коли ви ' збудували трубопровод RAG, який переважно працює, а тепер ви платите за нього за ціною.

Що це охоплює: Архітектурна модель, яка стоїть за виробництвом РАГ. Для рукМSK1 для втілення МSK2 см. Збудувати підсумовувач Dokumentу з РАG.

Звідки воно походить: Я створив DocSummarizer ( Машина документального RAG DataSummarizer (Data RAG engineM SK1 ImageSummarizer ( Машина з зображенням RAG МSK1 AudioSummarizer (Аудио RAG двигунM SK1 і lucidRAG (multiM SK1документ QMSC2A). Те ж саме повторювалося в усіх документахMСК4 даніМСК5 зображенняM СК6 і аудіоMSК7

NOTE: Ви, можливо, по правді помітили, що семантичний пошук на цій сайті заламаний ... і так, це МSK2 проблема з конфігурацією я не мав M SK3 ще не мав часу її виправити MSC4 Не погана теорія 🤓

швидкий обновник термінології RAG

Видобуток-Augmented Generation M SK1RAG) став одним із тих фрази, що означає все і нічого.

Для багатьох команд RAG: МСК0, МСК1, МSK2 тепер - МСК3

1. Дорожні документи
2. Вставляйте їх
3. Перейти нагору-k
4. Вставляйте все в про prompt
5. Спитайте модель: “визначати його

Це працює. Доки це не станеться

Це: МСК0 - дорого, МСК1 - важко обдумати, МSK2 - важке, М СК3 - тихо зав 'язує відповідальність за модель. МСК4 - розшифровує структуру, МТК5 - встановлює фільтри, М АК6 - вирішує, що має значення, МУК7 - змирає протиріччя, МАК8 - впевнені в цьому, МДК9

Коли люди говорять: МСК0 , РАГ галюцинує, "”", або МСК2 , а РАГ , МСк3 , не добре відфільтровує, МС К4 , вони СМСК5 , зазвичай звинувачуються у неправильному компоненті

Проблема в тому, що Проблема в тому, ліничий РАГ.

Цей пост описує інший за замовчанням: Reduced RAG - використовує LLM менше, не більшеM SK1 шляхом видобутку детермінативних сигналів наперед і лікування моделей як двигуни синтезу, не крамниці даних.

Найважливіша помилка - : - в тому, що контекстні вікна сприймаються як накопичувані

Окно контексту це:

• тривалість
• не встромлений
• дорогою
• відраховується на кожному запиті

Це не сервер даних.

Коли ви “ просто залишаєте більше в проміжку ”, виM SK2 запитуєте модель

• re- кожнісінького разу аналізувати структуру
• вивести фільтри замість того, щоб їх впроваджувати
• підсумувати деталь, яку ви можете потребувати пізніше
• звучати впевнено навіть тоді, коли ’ помиляється

Ось чому демонстрації RAG виглядають чудово, і системи виробництва RAG спокійно гніздять.

Що означає “Reduced RAGM SK1

Reduced RAG перевертає початковий параметр.

Замість:

Візьміть текст і дозволяйте моделі вирішити, що має значення.

Ви робите

Вирішуйте, що має значення, як тільки: , зберігайте його МSK1 і застосуйте модель лише тоді, коли вам потрібна синтез .

На практиці це означає: детермінативний поглинання , дешеве відтворення, обмежена генерація.

Якщо це звучить знайомо, то це те ж саме, що і в системі Стримана неясність: дозволити можливим компонентам запропонувати; дозволити детерміністичним системам вирішити.

Традиційна RAG проти скороченої RAG

Перш за все, давайте подивимось на те, що роблять більшість команд. І чому це дорого

flowchart LR
    subgraph Traditional["❌ Traditional RAG: Everything Through the LLM"]
        T1[Documents] --> T2[Chunk Everything]
        T2 --> T3["Embed All Chunks<br/>(once)"]
        T3 --> T4[Vector Search]
        T4 --> T5["Paste Top-K<br/>(per query)"]
        T5 --> T6["LLM Decides<br/>(per query)"]
        T6 --> T7[Answer]
    end

    style Traditional stroke:#ef4444,stroke-width:3px
    style T6 stroke:#ef4444,stroke-width:3px
    style T5 stroke:#ef4444,stroke-width:2px

Проблеми:

• LLM re- аналізує структуру кожного запиту
• Можемо' не впроваджувати фільтрів M SK1 тільки " гарно попросити МSK3 за допомогою пропону МSK4
• Скала витрат टोकена з запитами (↑ за запит )
• Галюцинації, коли модель вигадує фільтри

Тепер ось тут – МСК0 – підхід Reduced RAG – МSK1

flowchart TB
    subgraph Ingestion["✅ Ingestion (Once - Pay Upfront)"]
        I1[Source Docs] --> I2[Parse Structure]
        I2 --> I3["Extract Signals<br/>(deterministic)"]
        I3 --> I4[(Structured Fields)]
        I2 --> I5[Semantic Units]
        I5 --> I6[(Vector Store)]
        I2 --> I7[(Evidence Store)]
    end

    subgraph Query["Query Time (Cheap Per Query)"]
        Q1[User Question] --> Q2{Extract Filters}
        Q2 --> Q3["Filter Database<br/>(no LLM)"]
        Q2 --> Q4["BM25 Search<br/>(no LLM)"]
        Q2 --> Q5["Vector Search<br/>(no LLM)"]

        Q3 --> R[Candidate Set]
        Q4 --> R
        Q5 --> R

        R --> S["Small Evidence Pack<br/>(5 sources not 50)"]
    end

    subgraph Generation["LLM (Bounded Synthesis Per Query)"]
        S --> L[Synthesize Answer]
        L --> A[Answer + Citations]
    end

    style Ingestion stroke:#22c55e,stroke-width:3px
    style Query stroke:#3b82f6,stroke-width:3px
    style Generation stroke:#f59e0b,stroke-width:2px
    style I3 stroke:#22c55e,stroke-width:3px
    style Q3 stroke:#3b82f6,stroke-width:3px
    style L stroke:#f59e0b,stroke-width:3px

Головні відмінності:

Шаг 1: Детермінативний поглинання МSK1 нудний біт, який має значення

У часі вживання, аналізуйте, що ви можете без LLM.

До прикладу: Система підтримки билетів

Замість того, щоб просто скопіювати квитоки в текст

Traditional: "Ticket #1234: Customer complained about slow loading..."
→ Embed entire text
→ Hope the LLM figures out it's about performance

Витягувати сигнали наперед:

// Parse once during ingestion
var ticket = new SupportTicket
{
    Id = "1234",
    CreatedDate = DateTime.Parse("2025-01-15"),
    Category = "Performance",              // ← Deterministic field
    Product = "WebApp",                     // ← Filterable
    Priority = "High",                      // ← Sortable
    Customer = "Enterprise",                // ← Segment filter
    SentimentScore = -0.3,                  // ← Computed once
    Tags = ["slow-loading", "timeout"],     // ← Searchable
    Text = "Customer complained about..."   // ← Still keep for RAG
};

Що ви можете отримати детерміністично:

Зробіть це один раз. Утримуйте вихідні дані

Найважчою частиною RAG є: МСК0 - це модель, МСК1 - це все, що було перед моделью Для конкретних застосувань - МСК0 - см. Збудувати підсумовувач Dokumentу з РАG і DocSummarizer: Проектування трубопроводів РАG.

Шаг 2: Поміщайте сигнали ( і зберігайте докази МSK2

Замість того, щоб сприймати "chunksMSC1 як одиниця правдиM SK2 зберігати структуровані поля, сигналMST4 щільні елементиM ST5 вбудованіM st6 і направляти назад до джерелаMst7

Текст досі є частиною системи -, але він стає докази, не " незалежно від того, що ми вставляли в про prompt

Це різниця між "RAG відповіддю є вібрами " і МSK2

" Але як я знаю, які сигнали виділити

Ви не знаєте.

Це все, що потрібно для зберігання сирові сигнали замість LLM-розроблені підсумкиM SK1

Традиційний RAG (невелика ціна на змінуM SK1

// ❌ You asked the LLM to "summarize the key points"
var summary = await llm.Summarize(ticket.Text); // Expensive
await db.SaveAsync(summary); // Threw away the original structure

// Later: "Actually, we need sentiment scores too"
// 😱 Have to re-process 10,000 tickets through LLM again!

Reduced RAG (швидше мінятиM SK1

// ✅ Store raw signals extracted deterministically
var signals = new TicketSignals
{
    Text = ticket.Text,                    // ← Keep original
    WordCount = ticket.Text.Split().Length, // ← Cheap to compute
    ContainsErrorCode = Regex.IsMatch(ticket.Text, @"ERR-\d+"),
    MentionedProducts = ExtractProducts(ticket.Text), // ← Heuristic
    SentimentWords = CountSentimentWords(ticket.Text), // ← Word lists
    CreatedHour = ticket.Created.Hour      // ← Maybe useful later?
};

// Later: "We need to prioritize by sentiment"
// ✅ Just add a computed column - no LLM re-run needed!
await db.ExecuteSqlAsync(@"
    ALTER TABLE Tickets ADD COLUMN SentimentScore AS
    (SentimentWords->>'positive' - SentimentWords->>'negative')
");

Що ж сталося?

• Ви зберігали більше сигналів, ніж вам потрібно (швидкийM SK1
• Коли змінилися вимоги, ви відраховані з накопичених сигналів (бесплатноM SK1
• Ви не повторили' reM SK1 запустили LLM висновку на 10,000 документах ( дорогою МSK4 часом МSK5 споживаючим

Це той самий візерунок, як ":".

• DiSE (Direkted Synthetic Evolution) - зберігає результати тесту , історія мутацій M SK2 метрика якості . Коли ви змінюєте функцію оцінки MSC4 ви не змінюєтесь MSL5 не змінюєтеся МSK6 запускаєте еволюцію LLM MST7 ви змінюєтесь МST8 оцінюєте існуючі кандидати з накопичених сигналів МСТ9
• Розпізнавання Bot - зберігає шаблони запитів , сигнали часу M SK2 вироки поведінки МSK3 коли ви налаштовуєте граничний рівень МSK4 M→ \0.4, ви не переобробляєте трафіку

Правила: Пам 'ятайте добре до цього LLM. Обновлюйте ваші "памятиM SK2 ( логіку отриманняMスク4 безкоштовноMSC5

Найголовніша перевага в галузі архітектури: ЕволюційністьM SK1 Через те, що ви зберігаєте детермінативни сигнали поруч з вмонтованими, ( не замість них ), кожна частина системи може змінюватися незалежно МSK2 Поміняти моделі вмонтування МСК3 Перезастосувати MСК4 вмонтувати без торкання сигналів М СК5 Додавати новий сигнал М סК6 обчислити його з зачуваного тексту без перезастосування M СК7 вміщати М S К8 Rangування туней М ็ С К9 Регулювати вагу сигналу та логіку оцінки без переindeksуванняМ С К10

За допомогою багатого-векторних магазинів M SK1подібно до Qdrant), ви можете навіть додати багато вбудованих елементів на кожен документ. Хочете спробувати нову модель вбудованого модуля ? Dodaj її до існуючої і поступово переходити на іншу M SK2 Випробувати як в процесі виробництва, так і в якості МSK3 порівняти якість , а потім відкинути стару MSC5 все без переindexування чи зруйнування сервісуМSK6

Кожна компонента може розвиватися, не вимушуючи повністю перебудувати трубопровод — і не зруйнуючи інших МSK1

Які сигнали ви маєте зберігати?

Поміщайте все, що можна обчислити дешево і детерміністично.

Важливо: Сигнали просто короткі текстові стрічки, цифриM SK1 і bool— не гігантські структури данихM SK1 Ви' зберігаєте МSK3PerformanceMST4 МST5 charsM ST6 не M ST7Customer complained about slow loading timesM st8 ♫ M st9 ♫ wordsMst10 ♫

public class DocumentSignals
{
    // Always extract (almost free)
    public int CharCount { get; set; }              // Example: 1247
    public int WordCount { get; set; }              // Example: 203
    public int ParagraphCount { get; set; }         // Example: 5
    public string[] UniqueWords { get; set; }       // Example: ["timeout", "error", "api"]

    // Structural (parse once)
    public bool HasCodeBlocks { get; set; }         // true/false
    public bool HasLinks { get; set; }              // true/false
    public int HeadingCount { get; set; }           // Example: 3

    // Heuristic (simple patterns)
    public string[] MentionedProducts { get; set; }       // Example: ["WebApp", "API"]
    public string[] ErrorCodes { get; set; }              // Example: ["ERR-404", "ERR-500"]
    public Dictionary<string, int> SentimentWords { get; set; } // { "positive": 3, "negative": 7 }

    // Metadata (already available)
    public DateTime Created { get; set; }           // Example: 2025-01-15T14:23:00
    public string Author { get; set; }              // Example: "user@example.com"
    public string Category { get; set; }            // Example: "Performance" (not essay-length)

    // Computed (cheap math)
    public double ReadingTimeMinutes { get; set; }  // Example: 4.2
    public double KeywordDensity { get; set; }      // Example: 0.034
}

Порівняння витрат на зберігання:

Сигнали 10x менший ніж текст, 4x менший ніж підсумки LLM, і безмежно дешевше щоб відновити ( тому що вам не потрібні

Коли ви зрозумієте, що вам потрібний інший сигнал: Просто обчислюйте це з накопичених необроблених даних. Утримка дешеваM SK1 Введення LLM дорогого.

Ось чому: " над- витяжка " безпечна МSK3 ви платите один раз в magazynі МSK4 незрозумілива M SK5 не повторюватись в припущеннях М SK6 суттєва ).

Далі: 3: Поиск без LLM

Більшість "RAG запитів" насправді - це лише пошукові запити з обмеженнями

• " тільки останні DocsM SK1
• "только для споживачів ВеликобританіїM SK1
• " тільки платний планM SK1
• "только помилки минулого тижня

Традиційний РАГ (швидкийM SK1ненадійний ):

// ❌ Paste everything into prompt and hope
var chunks = await vectorSearch.SearchAsync(query, k: 50); // 50 chunks!
var prompt = $@"
Given these 50 chunks of text, answer the question but ONLY use
docs from last week and ONLY for UK customers.

Chunks: {string.Join("\n", chunks)}

Question: {userQuestion}
";
var answer = await llm.GenerateAsync(prompt); // Expensive + unreliable

Reduced RAG (швидкийM SK1 детермінативнийМSK2

// ✅ Filter first, retrieve less, synthesize last
var candidates = await db.Tickets
    .Where(t => t.CreatedDate > DateTime.Now.AddDays(-7))  // ← Database does this
    .Where(t => t.Region == "UK")                          // ← Not the LLM!
    .ToListAsync();

// Hybrid search on the filtered set
// (In production: push BM25 to database/index, not in-memory LINQ)
var bm25Results = candidates.Where(c => c.Text.Contains(keyword));
var vectorResults = await vectorSearch.SearchAsync(query, k: 5, filter: candidates);

// Small evidence pack
var evidence = RRF.Merge(bm25Results, vectorResults).Take(5);

// LLM only synthesizes
var answer = await llm.GenerateAsync($@"
Synthesize an answer using ONLY these 5 sources:
{FormatEvidence(evidence)}

Question: {userQuestion}
");

Що ж сталося?

• База даних відфільтрована детерміністично: (не LLMM SK1
• LLM бачить вихідні коди 5 замість МSK1 МSK2 знизування символів
• Filtrи гарантовані, не M SK1запропонованіМSK2

Ось чому гібридні пошукові системи важливі для виробництва. Гібридне пошук & АвтоM SK1 Індексування є найпрактичнішою частиною всієї серии RAG

Опціонально: Використовувати LLM для отримання наміру M SK1 як пропозицію)

Якщо питання справді безладно, їжа використовувати маленьку модель для отримання наміру/фільтри M SK1порівняти vs пояснити vs розв 'язати проблему

// Use small model to propose filters (ephemeral - discarded after use)
var intent = await smallModel.ExtractIntent(userQuestion);
// Returns: { intent: "troubleshoot", filters: { priority: "high", product: "api" } }

// Validate the proposal against known fields (deterministic)
var validatedFilters = ValidateAgainstSchema(intent.filters);

// Use validated filters for retrieval
var results = await db.Tickets.Where(validatedFilters).ToListAsync();

Головний принцип: LLM запропонує , детермінативний шар підтверджує МSK2

Це основа Стримана неясність шаблон.

Для глибшого поглинання ефемерних шаблонів виконання, де ви використовуєте LLM тимчасово, не залишаючи їх вихідних даних, читайте Огонь і не забувай.

Шаг 4: ЛЛМ як синтезові двигуни МSK1не судді МSK2

Лише після пошуку ви називаєте LLM. Ви даєте йому невеликийM SK1 яскравий набір фактів з точки зору доказів та чіткими інструкціями щодо невизначеності .

Модель ' робота: з 'єднати, пояснитиM SK1 порівняти. Ні нав 'язувати обмеження МСК0 вирішувати правду МSK1 розробляти структуру.

Якщо вас хвилює те, що “LLMs перетягує весь контекстний вікно в відповідь ”, ви M SK2 вже бачили режим непрацездатності Перетягування обмеженого неясного контекстуМСК0 це ’ не злодісний - Це МSK3 те, що ви попросили його зробити

Чому це безпечніше? і дешевше

Порівняння витрат (ілюстраційний прикладM SK1

Заказ-зM SK1порівняння величини з типичною системою RAG для стосунків з клієнтами:

сценарій: 10,000 билети на підтримку

Ордер величини: ~10x зниження витрат на день

Ще краще: З хорошими доказами та детермінативним фильтруванням, ви, напевно, не потребуєте ' взагалі кордонної моделіM SK2 локальна модель Оллами (свободнаMSC4 з невеликим набором доказів часто перевершує GPT МSK5 покритий МSK6 шматочки, які йому треба розібрати самісінько

plus: скорочення часу debuggingу , менше ескалацій підтримки МSK2 і гнучкість моделей M SK3 відхилення моделей без змін в архітектурі

Надежність

Традиційний РАГ (надіюсьМSK1фільтрування на основіM SK2

// ❌ Prompt says "only UK customers" but model can ignore it
var answer = await llm.Generate(prompt); // No guarantee

Reduced RAG (вказований фильтруванняM SK1

// ✅ Database physically prevents non-UK results
var results = db.Tickets.Where(t => t.Region == "UK"); // Guaranteed

Чому це безпечніше? Фильтры встановлені перед наступним поколінням. (модель ніколи їх не власна, МSK1 не може, ♫ ♫ МSK2 ♫ не забуває про них, ♪ ♫ ), ♫ а галюцинації обмежені доказами, які ви контролюєте ♫

Пояснення

Традиційний РАГ: " Модель сказала: "" МSK1 "", але я не впевнена, чому чи з якого шматка вона взялася.

Reduced RAG:

// You know exactly why each result matched
var result = new SearchResult
{
    Text = "Server timeout error",
    MatchedBecause = new[]
    {
        "Region = UK (database filter)",
        "Created in last 7 days (date filter)",
        "BM25 score: 4.2 (keyword 'timeout')",
        "Vector similarity: 0.89 (semantic match)"
    },
    SourceChunks = [chunk1, chunk2], // ← Audit trail
    ConfidenceScore = 0.89
};

Ви можете перевірити, чому кожен результат збігається, показати докази, коли рівень довіри низькийM SK1 і виправити проблеми виробництва, вивчаючи набор кандидатів перед синтезом LLM.

Почнемо з : Переробка традиційного МSK1 зменшена РАG

Якщо ви вже маєте працюючу систему RAG, тутM SK1s як мігрувати:

Шаг 1: Додайте структуровані поля до вашого впиту

До:

public class Document
{
    public string Id { get; set; }
    public string Text { get; set; }           // ← Only unstructured text
    public float[] Embedding { get; set; }
}

Після:

public class Document
{
    public string Id { get; set; }
    public string Text { get; set; }           // ← Keep for evidence
    public float[] Embedding { get; set; }

    // Add deterministic signals (extract once during ingestion)
    public DateTime CreatedDate { get; set; }  // ← Parse from metadata
    public string Category { get; set; }       // ← Extract from filename/tags
    public string Author { get; set; }         // ← From file properties
    public string[] Tags { get; set; }         // ← Parse from content/metadata
    public double QualityScore { get; set; }   // ← Compute heuristics
}

Шаг 2: Переміщувати фильтры з про prompts , до запитів

До:

var prompt = "Only use docs from last month for product 'API'. Query: " + userQuery;
var chunks = await vectorStore.Search(userQuery, k: 50);
var answer = await llm.Generate(prompt + chunks); // ❌ LLM might ignore filters

Після:

// ✅ Database enforces filters
var candidates = await db.Documents
    .Where(d => d.CreatedDate > DateTime.Now.AddMonths(-1))
    .Where(d => d.Category == "API")
    .ToListAsync();

// Search only the filtered candidates
var results = await vectorStore.Search(userQuery, k: 5, filter: candidates.Select(c => c.Id));
var answer = await llm.Generate(FormatEvidence(results)); // Much smaller context

Шаг 3: Dodaj гібридну пошукову функцію

// Combine keyword and semantic search
var keywordResults = await db.Documents
    .Where(d => EF.Functions.ToTsVector("english", d.Text)
        .Matches(EF.Functions.ToTsQuery("english", keywords)))
    .ToListAsync();

var vectorResults = await vectorStore.Search(userQuery, k: 20);

// Merge using Reciprocal Rank Fusion (RRF)
var merged = RRF.Merge(keywordResults, vectorResults, k: 5);

Подивіться Гібридне пошук & АвтоM SK1 Індексування для повного втілення.

Шаг 4: виміряти різницю

Прослідкувати ці показники до і після:

public class RAGMetrics
{
    public int PromptTokens { get; set; }           // Should drop by 80-90%
    public int CandidatesRetrieved { get; set; }    // Should drop from 50+ to 5-10
    public TimeSpan QueryLatency { get; set; }      // Should improve
    public bool FiltersEnforced { get; set; }       // Should be true
    public List<string> EvidenceSources { get; set; } // Should be traceable
}

Правило палець

Якщо ваша система залежить від будь-коли- більші контекстні вікна, щоб залишатися точним , ви не маєте МSK2 у вас немає проблеми з отриманням МСК3 у Вас є проблеми з поглинанням М СК4

Карта з патернами

Підсумок: Снижена модель розуму RAG

Снижена РАГ не є анти-', а анти-МSK1, ЛЛМ, МSK2, а проти-МСК3, МСК4, відходів, М СК5.

Подумайте ось так.

Traditional RAG = "LLM, here's 50 chunks. Figure out what matters and answer."
Reduced RAG    = "Database, filter to 100. BM25, find keywords. Vector, find similar.
                  Now LLM, here are the 5 most relevant sources. Synthesize an answer."

Переміщення:

• З: LLM як оракль ( робить всеM SK1
• На: LLM як синтезний двигун ( робить одну річ добре )

Примітивів:

1. Сигнал (детерміністичнеM SK1 МSK2 даті МSK3 категорії , бали М SK5 фильтры
2. Докази МSK0текст) МSK2 те, що ви показуєте LLM
3. Обмеження (межні кордони ) МSK2 бюджети टोकенів МSK3 фільтроваvaliдація М SK4 вимоги щодо цитацій

Модель:

• Виймайте сигнали один раз (ingestionM SK1
• Фильтрування детерміністично (databases are good at this
• Поиск гібридних векторів (BMM SK1 +
• Синтезований обмежений (маленький пакет доказів → LLMM SK2

Це те, що відбувається, коли ви застосовуєте звичайну технічну дисципліну до систем, які включають мовні моделі

Наступні кроки

Якщо ви готові побудувати цей

1. Почнемо з простого: Додайте одне структуроване поле (CreatedDateM SK1 і один фильтр бази даних
2. Спочатку виміряти: Токен треку рахується до/за
3. Dodaj гібридний пошук: Втілити вектор BM25 M SK1 з РР МSK2тут)
4. Збудувати поступово: Не змінюйте все відразу

Референції implementations:

• DoomSummarizer: Глубокі дослідження - Reduced RAG in practice МSK1 МSK2signal RRF fusion , entity profilesM SK4 semantic graph discovery, and parallel longMNK6form synthesis МСК7 all from a single binary
• Збудувати підсумовувач Dokumentу з РАG - Практичний шлях до втілення
• ruра DocSummarizer RAG - Повний канал поглинання
• AudioSummarizer - Озвучно-судебне охарактеризування з диарізацією гучномовця
• lucidRAG - Полна веб-програма з гібридним пошуком
• StyloFlow: Сигнальний сигнал-Driven Workflows - Оркестраційний двигун для багатоповерхових труб РАG з умовною вправою та ескалацією
• Стримана неясність - Побудована модель

Інфраструктура вже там. Потрібно просто припинити розглядати контекстне вікно як базу даних.