---
title: "RAG"
url: "https://kzsaleshub.com/framework/rag/"
type: "framework"
category: "AI и данные"
language: "ru"
source: "KZSalesHub"
published: "2026-08-11"
last_updated: "2026-09-03"
---

# RAG

**Суть.** Перед ответом система находит подходящие фрагменты в вашей базе документов и передаёт их модели вместе с вопросом. Модель отвечает по ним, а не по тому, что запомнила при обучении. Это базовый способ заставить ИИ говорить фактами компании и приводить источник.

## Какие три задачи решает

Все три не решаются подбором формулировок запроса, и это важно понимать, прежде чем спорить о промптах.

- **Ответы по внутренним документам.** Модель не знает ваших регламентов, договоров и историй сделок — их нужно подать.
- **Актуальность без переобучения.** Обновили документ — система отвечает по-новому уже сегодня, а не после следующего цикла обучения.
- **Проверяемость.** Ответ со ссылкой на конкретный пункт документа принимают, ответ без ссылки в корпоративной среде обычно нет.

## Как устроено

| Шаг | Что происходит | Где теряется качество |
| --- | --- | --- |
| Нарезка | Документы режутся на фрагменты | Фрагмент обрывается на середине мысли — модель отвечает по обрубку |
| Индексация | Фрагменты переводятся в векторы | Одна модель эмбеддингов на разноязычный корпус работает хуже, чем кажется |
| Поиск | Подбираются ближайшие фрагменты | Чисто векторный поиск промахивается на точных названиях и артикулах |
| Переранжирование | Найденное пересортировывается по релевантности | Шаг часто пропускают — и в контекст попадает мусор |
| Ответ | Модель формулирует и цитирует источники | Без явного требования цитировать модель «забывает» это делать |

Хорошие системы сочетают векторный поиск с обычным по словам: первый ловит смысл, второй — точные термины. Отдельно вектор или отдельно слова работают заметно хуже связки.

## Где ломается

**Порядок в документах.** Если внутри лежат три версии одного регламента без пометки, какая действует, система честно отразит этот беспорядок — и будет уверенно цитировать отменённый пункт. Качество ответов упирается не в модель, а в состояние базы.

**Права доступа.** Если индекс не знает, кому что можно, сотрудник получит ответ по документу, который ему видеть не положено. Права нужно закладывать на этапе поиска, а не фильтровать ответ постфактум.

**Свежесть индекса.** Документ обновили, индекс — нет. Расхождение накапливается тихо; нужен регламент переиндексации и способ увидеть, когда фрагмент устарел.

Дешёвая проверка перед внедрением: возьмите двадцать реальных вопросов сотрудников и посмотрите, на сколько из них ответ вообще существует в документах. Часто выясняется, что знание живёт в головах, и тогда сначала нужен не поиск, а описание.

## Что это меняет в продаже

Если вы продаёте такое решение, ключевой разговор не про модель, а про подготовку базы. Клиент, который ждёт «подключим за неделю», через месяц будет разочарован качеством ответов — и виноватой окажется ваша система, а не его документы. Это лучше проговорить на входе.

## Когда применять

Задача звучит как «нужно, чтобы система отвечала по нашим документам»: база знаний, регламенты, договоры, техническая документация, архив переписки. Это самый частый и самый окупаемый сценарий внедрения языковых моделей в компании, потому что не требует ни обучения модели, ни выноса данных за пределы контура при правильной архитектуре.

Не подходит там, где ответ должен быть вычислен, а не найден: расчёты, агрегаты по базе, прогнозы. Для этого нужен доступ к данным через запросы, а не поиск по тексту.

## Из чего складывается качество

| Этап | Что здесь ломается чаще всего |
| --- | --- |
| Подготовка документов | Сканы без распознавания, дубли, устаревшие версии рядом с актуальными |
| Разбиение на фрагменты | Слишком крупные куски размывают ответ, слишком мелкие теряют контекст |
| Поиск | Только смысловой поиск проигрывает на точных терминах и артикулах; помогает сочетание с обычным |
| Отбор | В контекст попадает всё найденное, включая нерелевантное |
| Генерация | Нет требования опираться только на найденное — модель дополняет из своих знаний |
| Ссылки на источник | Ответ без ссылки невозможно проверить, и им не пользуются |

Практическое наблюдение: качество на восемьдесят процентов определяется первыми двумя строками, а внимание команды обычно уходит на последние две.

## Как проверять

1. Собрать пятьдесят реальных вопросов от будущих пользователей с эталонными ответами и указанием, в каком документе ответ.
2. Мерить отдельно поиск и генерацию: нашёлся ли нужный фрагмент вообще и правильно ли по нему ответили.
3. Включить в набор вопросы без ответа в документах — система обязана говорить «не знаю», а не придумывать.
4. Повторять замер при каждом изменении разбиения, модели или подсказки.

## Права доступа

Самая недооценённая часть. Если в базу попали документы разного уровня доступа, поиск начинает возвращать пользователю то, что он не должен видеть, — и обнаруживается это после запуска. Права должны фильтровать выдачу до попадания в контекст, а не после.

## Частые вопросы

**Нужно ли дообучать модель**

В большинстве случаев нет. Поиск по своим документам решает задачу дешевле и обновляется мгновенно при изменении документа, тогда как дообучение требует повторения при каждом обновлении.

**Сколько документов нужно, чтобы это заработало**

Работает и на сотне. Важнее не объём, а актуальность и отсутствие противоречащих версий одного документа.

**Почему система отвечает уверенно и неправильно**

Обычно потому, что нужного фрагмента не нашлось, а требования отвечать только по найденному нет. Лечится на уровне подсказки и проверкой наличия источника.

## Связанное

- [Три слоя работы с ИИ](https://kzsaleshub.com/tri-sloya-raboty-s-ai/) — куда встраивается этот слой
- [MCP](https://kzsaleshub.com/mcp-multiagentnye-sistemy-b2b/) — как дать модели доступ к системам, а не только к документам
- [MLOps](https://kzsaleshub.com/framework/mlops/) — эксплуатация того, что получилось

Качество ответов определяется качеством документов, а не выбором модели. Если ответы плохие, начинайте разбор с того, что вообще попало в базу.

---
Источник: https://kzsaleshub.com/framework/rag/