Что такое RAG (генерация с дополненным поиском)?
RAG, или генерация с дополненным поиском, — это AI-паттерн, при котором модель сначала достаёт релевантные пассажи из источника, а потом порождает ответ, опираясь на них.
Обычная большая языковая модель отвечает по своим тренировочным данным — а они зафиксированы в момент обучения и склонны к галлюцинациям. RAG исправляет это, добавляя шаг поиска: при вопросе пользователя система ищет в корпусе (книге, PDF, базе знаний) наиболее релевантные пассажи, передаёт их модели как контекст — и только потом просит ответить.
В результате ответ цитирует конкретные места и ограничен текстом источника, а не «памятью» модели. Поэтому RAG стал стандартным паттерном для функций «поговорить с документом», для саппорт-ботов поверх базы знаний и для AI-поисковиков, которым нужно приписывать утверждения к источникам.
Качество RAG зависит от трёх вещей: как источник разбит на чанки (абзац, секция, предложение), как чанки превращаются в эмбеддинги для поиска и как модель просят использовать найденный контекст. Слабое звено в любом из трёх рождает ответы, которые формально привязаны к источнику, но фактически ошибочны.
Summio использует RAG, чтобы привязать каждое утверждение в конспекте или ответе чата к конкретному пассажу — в книге, расшифровке видео, статье или PDF. Если движок не может сослаться на пассаж, он не печатает утверждение. Эта политика привязки к источнику и делает Summio достойным доверия для серьёзного чтения.
Узнать больше о Summio →Частые вопросы
Чем RAG отличается от файн-тюнинга?
Файн-тюнинг «зашивает» новые знания в веса модели — медленно, дорого, обновлять можно только переобучением. RAG оставляет модель неизменной и меняет контекст, передаваемый на каждый запрос: чтобы обновить знание, достаточно переиндексировать документ, переобучать модель не нужно.
Уберёт ли RAG галлюцинации?
Снижает их радикально, но не уничтожает. Модель всё ещё может неправильно прочитать пассаж, проигнорировать его или собрать неверный синтез из корректных кусков. Политики обязательного цитирования (не отвечать, если нет подтверждающего пассажа) закрывают большую часть оставшегося разрыва.
Где применяется RAG?
В AI-поисковиках (Perplexity, ChatGPT search, Claude с веб-доступом), в чатах поверх корпоративных документов, в саппорт-ботах поверх базы знаний и в читательских приложениях вроде Summio — везде, где ответ должен опираться на конкретный источник.