В этой статье · 4 разделов
Простыми словами
RAG читают как «раг». Это подход, при котором нейросеть перед ответом заглядывает в доступные ей источники: ищет страницы в интернете, фрагменты загруженного PDF, инструкции компании или записи из базы знаний.
Представьте сотрудника справочной. Без RAG он отвечает по памяти. С RAG сначала открывает нужную папку, находит свежую инструкцию и только потом формулирует ответ человеческим языком. Сама модель при этом не переучивается и не запоминает всю папку навсегда.
Например, вы спрашиваете: «Какие условия возврата указаны в договоре?» Система находит два подходящих абзаца в документе и передаёт их модели вместе с вопросом. Модель пересказывает условия, а хороший сервис ещё и показывает ссылки на использованные страницы.
Обычно документы заранее делят на небольшие фрагменты. По запросу выбираются только самые подходящие. Поэтому RAG помогает работать с объёмом, который целиком не помещается в контекстное окно.
Где RAG встречается на практике
В ChatGPT похожий принцип используется в Search: сервис ищет свежие материалы и собирает ответ со ссылками. В собственных GPT можно добавить Knowledge с файлами. Когда пользователь задаёт вопрос, ChatGPT находит нужные части этих файлов. Доступность GPT, подключений и объём лимитов зависят от тарифа и настроек рабочего пространства.
У Claude есть поиск в интернете, загрузка файлов и Projects с материалами проекта. Для корпоративной работы встречаются подключения к внешним источникам. Конкретные лимиты и доступ к коннекторам зависят от плана и разрешений администратора.
Perplexity построен вокруг поиска: сначала собирает страницы, затем пишет ответ и показывает источники. В базовом доступе уже есть поиск, а у платных планов обычно выше лимиты и доступны более глубокие режимы исследования.
В других продуктах RAG часто прячется за названиями «база знаний», «искать в интернете», «источники», «подключить Google Drive» или «добавить документы». Честно говоря, пользователю редко нужно искать слово RAG в настройках. Полезнее проверить, откуда сервис берёт сведения и показывает ли цитаты.
Midjourney - хороший контрпример. Он создаёт изображения по промпту и референсам, но обычная генерация картинки не становится RAG только из-за загруженного изображения. Здесь нет обязательного поиска фактов по базе знаний.
Типичная путаница или миф
Главный миф: «Если есть RAG, нейросеть больше не галлюцинирует». Нет. Она может найти устаревшую страницу, пропустить важный абзац или уверенно исказить источник. RAG снижает риск галлюцинаций, но не отменяет проверку.
Загрузка файла тоже не всегда означает RAG. Короткий документ сервис может целиком передать модели. Для большого архива чаще нужен поиск по фрагментам. Снаружи оба варианта выглядят одинаково: пользователь прикрепил файл и задал вопрос.
Ещё одна путаница - считать RAG обучением. Добавленный регламент не меняет знания модели навсегда. Уберите документ или закройте доступ, и источник обычно перестанет участвовать в новых ответах.
Что запомнить
RAG - это схема «найти, затем ответить». Она нужна для свежих новостей, внутренних инструкций, больших архивов и ответов со ссылками.
На наш взгляд, хороший RAG узнаётся не по яркой кнопке, а по трём вещам: сервис находит действительно подходящий фрагмент, указывает источник и честно говорит, когда данных не хватило. Если ответ влияет на деньги, здоровье или документы, откройте первоисточник и проверьте цитату сами.