Какую проблему решает RAG?
RAG решает проблему, когда модель ИИ не знает документов вашей организации или располагает лишь устаревшими сведениями о мире. Вместо переобучения модели вы передаёте ей нужные фрагменты в момент ответа.
Представьте вымышленного туроператора Tidewater Travel со штатом 50 человек. Команда бронирования постоянно задаёт одни и те же вопросы по справочнику условий и процедур объёмом 90 страниц. Руководитель команды Леон попробовал обычный чат-бот: 'Может ли клиент изменить имя основного пассажира за 10 дней до отправления и взимается ли за это плата?' Чат-бот уверенно дал общий ответ о правилах авиакомпаний и сборе, который Tidewater не взимает. Настоящий ответ находится в разделе 4.2 справочника, которого чат-бот никогда не видел.
Как работает генерация с дополнением из найденных источников?
Генерация с дополнением из найденных источников работает в три этапа: сначала находят фрагменты, наиболее релевантные вопросу, затем добавляют их в запрос, после чего модель формирует ответ на их основе. В глоссарии Anthropic описана та же идея: в момент запроса из базы знаний извлекается релевантная информация и передаётся модели вместе с исходным вопросом.
Термин появился в исследовательской статье Патрика Льюиса и его коллег, опубликованной в 2020 году. Они объединили языковую модель с поисковым индексом документов и обнаружили, что ответы стали более конкретными и точными с точки зрения фактов, чем при использовании одной только модели.
1. Подготовьте документы
Руководство разбивают на фрагменты, например по одному разделу или по несколько абзацев, чтобы поиск мог вернуть конкретный отрывок, а не всю книгу.
2. Проиндексируйте их для поиска по смыслу
Каждый фрагмент преобразуется в эмбеддинг — список чисел, представляющий его смысл, — и сохраняется в векторной базе данных. AWS описывает этот этап как преобразование данных в числовые представления, позволяющие сопоставлять их с вопросами.
3. Найдите нужные данные
Вопрос преобразуется тем же способом и сопоставляется с индексом, чтобы найти наиболее близкие по смыслу фрагменты. Многие системы параллельно используют и обычный поиск по ключевым словам.
4. Дополните запрос
Наиболее подходящие фрагменты добавляют в запрос с указанием вроде 'отвечайте только на основе этих отрывков и указывайте раздел'.
5. Сгенерируйте результат
Модель составляет ответ на основе предоставленного текста, в идеале цитируя использованные фрагменты или ссылаясь на них.
Как выглядит ответ с RAG и без него?
Без RAG: 'Большинство туристических компаний разрешает менять имена за плату примерно от 50 до 100 за человека, в зависимости от правил авиакомпании.' Звучит полезно, но это не правила Tidewater, и никто не может проверить, откуда взялась эта информация.
С RAG: система находит разделы 4.2 и 4.5 справочника, и модель отвечает: 'Да. Раздел 4.2 разрешает бесплатно изменить имя основного пассажира не позднее чем за 7 дней до отправления. В разделе 4.5 сказано, что для пакетов с авиаперелётом может взиматься установленный авиакомпанией сбор за изменение, который отображается в системе бронирования. Источник: разделы 4.2 и 4.5 справочника.' Леон может открыть оба раздела и проверить ответ за несколько секунд. Если справочник изменится, ответ изменится сразу после индексации новой версии.
Когда стоит использовать RAG, а когда нет?
Используйте RAG, когда ответы должны опираться на конкретный, постоянно меняющийся набор документов и пользователям нужно видеть источник. Этот подход подходит для сборников внутренних правил, документации по продукту, баз знаний службы поддержки и архивов договоров. В глоссарии Anthropic отмечается, что он особенно полезен для получения актуальной информации, работы со специализированными знаниями и явного указания источников.
RAG не подходит, если документы достаточно малы, чтобы вставить их прямо в запрос, если задача касается стиля или формата, а не фактов, или если сами исходные документы ненадёжны. RAG также не заменяет управление правами доступа: модель может воспроизвести любой найденный фрагмент, поэтому права доступа нужно проверять до поиска.
Какие сбои возникают при генерации с дополнением из найденных источников?
Ошибки RAG обычно возникают на этапе поиска, а не генерации: если найден неверный фрагмент, модель уверенно строит на нём ответ. Anthropic отмечает, что эффективность RAG зависит от качества и релевантности базы знаний и найденных материалов.
Неверный или неполный фрагмент
Фрагмент с исключением находится в другом блоке, отдельно от правила, поэтому ответ его упускает.
Устаревшие или дублирующиеся версии
Прошлогодний справочник всё ещё проиндексирован наряду с нынешним, и система извлекает старую версию.
Модель отклоняется от текста
Модель смешивает найденный текст со своими общими знаниями. Указание отвечать только на основе источников и явные ссылки на них помогают заметить это.
Хорошего ответа не существует
Система должна сообщить, что документы не содержат ответа на вопрос, а не строить догадки.
Какое место RAG занимает в каталоге Tosheo.ai?
«Генерация с дополнением из поиска» находится в категории «Создание ИИ-приложений» курса по созданию ИИ-приложений. Этот урок объясняет концепцию всем, кто работает с ИИ-ассистентами на основе документов компании. В направлении «Код», доступном после регистрации, вы на практике создадите небольшое RAG-приложение: от разбиения документов и создания векторных представлений до поиска и ответов со ссылками на источники, с обратной связью по критериям оценки на каждом этапе.
Источники и границы рассмотрения
Документация Anthropic Claude, статья глоссария о RAG (проверено 19 октября 2026) ↗
Документация Anthropic Claude, функция ссылок на источники (проверено 19 октября 2026) ↗