RAG

RAG (Retrieval-Augmented Generation, генерация с дополненной выборкой) — способ получения ответа от LLM, при котором система сначала находит подходящие фрагменты во внешних источниках, а затем передает их модели вместе с вопросом. Модель отвечает не «по памяти», а по найденным документам: сайту, базе знаний, каталогу или результатам поиска в интернете. По близкой схеме устроены Perplexity, AI Overview в Google, Яндекс Нейро и многие корпоративные чат-боты поддержки.

Главное о RAG:

Снижает две слабости LLM: устаревшие знания и выдуманные факты (полностью не убирает ошибки).
Позволяет обновлять знания без переобучения модели — достаточно обновить документы.
Дает ответ со ссылками на источники, который можно проверить.
Генеративный поиск обычно устроен по схеме RAG поверх поискового индекса, поэтому SEO влияет на то, какие сайты попадут в ответ.

Откуда взялся термин

Подход описали исследователи Facebook AI Research в 2020 году в научной статье о моделях, которые дополняют генерацию поиском по Википедии. С появлением ChatGPT термин стал общим названием для любых систем «сначала найди, потом ответь».

Как работает RAG

Подготовка: документы делят на фрагменты по несколько абзацев.
Индексация: каждый фрагмент переводят в числовой вектор, отражающий смысл, и сохраняют в векторную базу.
Поиск: вопрос пользователя тоже переводят в вектор и находят фрагменты, близкие по смыслу. Часто поиск по смыслу дополняют обычным поиском по словам.
Переранжирование: отдельная модель выбирает из найденного самые точные фрагменты.
Генерация: модель получает вопрос и отобранные фрагменты и пишет ответ, указывая источники.

Термины, которые встречаются рядом с RAG

Термин	Что означает
Фрагмент (чанк)	Кусок документа, который система ищет и подставляет в ответ
Эмбеддинг	Числовое представление смысла текста
Векторная база	Хранилище эмбеддингов с быстрым поиском похожих
Переранжирование	Повторная сортировка найденного по точности
Контекстное окно	Объем текста, который модель учитывает за один раз
Заземление	Привязка ответа к найденным источникам, а не к памяти модели

RAG, дообучение и длинный промпт: что выбрать

Подход	Суть	Плюсы	Минусы	Когда уместен
RAG	Поиск по базе + генерация	Свежие данные, ссылки на источники	Качество зависит от поиска и разметки документов	Каталоги, поддержка, база знаний, поиск
Дообучение	Знания и стиль «зашивают» в модель	Стабильный тон и формат	Дорого, долго обновлять, нет источников	Специфичный стиль, узкие задачи
Длинный промпт	Все данные вставляют в запрос	Быстро, без инфраструктуры	Ограничен размером окна, дорого при объеме	Разовые задачи с небольшим документом

Где применяют RAG

Чат-бот поддержки, который отвечает по инструкциям и договорам компании.
Поиск по каталогу интернет-магазина на естественном языке.
Внутренняя база знаний для сотрудников.
Генеративный поиск: Perplexity, ChatGPT с поиском, AI Overview, Яндекс Нейро.

RAG и SEO: почему это важно для сайта

Когда нейросеть ищет ответ в интернете, она проходит те же шаги: находит страницы, вырезает фрагменты и собирает из них ответ. Сайт попадает в ответ, если его можно найти, прочитать и процитировать.

Что повышает шанс попасть в генеративный ответ:

Страница проиндексирована и открывается роботам без ошибок и блокировок.
Главный текст есть в HTML и не требует выполнения JavaScript.
Ответ на вопрос стоит в начале раздела, а не спрятан в середине длинного абзаца.
Каждый раздел понятен без соседних: модель вырезает фрагменты по отдельности.
Факты конкретны: цифры, сроки, цены, условия, названия.
Сведения о компании совпадают на сайте и внешних площадках.

Подробнее о продвижении в ответах нейросетей — в статье GEO.

Частые ошибки при внедрении

Ошибка	Что происходит	Как исправить
Загрузили PDF как есть	Таблицы и колонтитулы превращаются в шум, ответы путаются	Очистить документы, сохранить структуру заголовков
Слишком крупные или мелкие фрагменты	Модель получает лишнее или теряет смысл	Делить по смысловым разделам
Нет проверки качества поиска	Ответ строится на нерелевантном фрагменте	Тестовый набор вопросов и регулярные замеры
Старые и новые версии документов вместе	Модель смешивает устаревшие условия	Удалять или помечать неактуальное
Ответ без ссылок	Нельзя проверить, доверие падает	Показывать источник для каждого утверждения

Частые вопросы

RAG и ChatGPT — одно и то же?

Нет. ChatGPT — продукт, RAG — способ построить ответ. ChatGPT использует RAG, когда включен поиск в интернете или подключены файлы.

Убирает ли RAG галлюцинации полностью?

Нет, но заметно снижает. Модель все еще может неверно пересказать найденный фрагмент или опереться на неточный источник, поэтому важны качество базы и ссылки в ответе.

Нужен ли RAG небольшому бизнесу?

Если есть много однотипных вопросов клиентов и документов с ответами, то да: чат-бот на RAG снимает часть нагрузки с поддержки. Для сайта важнее другое — быть хорошим источником для чужих RAG-систем, то есть для генеративного поиска и GEO.