Коротко. RAG (retrieval-augmented generation) — архитектура, в которой языковая модель отвечает, опираясь на найденные в базе фрагменты документов. Это главный способ дать ИИ актуальные и закрытые знания компании без дообучения модели. Качество RAG определяется не моделью, а поиском, подготовкой документов и контролем доступа.
DAT · Данные и знания Архитектурный паттерн Развивающаяся проверено 2026-10
- Зачем существует
- Использовать актуальные и закрытые данные без дообучения модели.
- Цена и ограничения
- Качество зависит от поиска и разметки документов; нужен контроль доступа к источникам.
- Что спросить у заказчика
- Какие документы, как часто меняются, кто имеет к ним доступ?
использует Языковые модели (LLM) · использует Базы данных · использует Графы знаний и семантика
- Принцип работы
- Какую задачу решает
- Альтернативы и границы
- Архитектура
- Эксплуатация и стоимость
- Применение
- Что спросить у заказчика
- Проверьте понимание
- Источники и статус знания
1. Принцип работы
Запрос пользователя превращается в поиск по базе документов; найденные фрагменты передаются модели вместе с вопросом, и модель формулирует ответ со ссылками на источники.
- Документы разбиваются на фрагменты и индексируются — часто в виде векторных представлений (эмбеддингов) и полнотекстового индекса.
- По вопросу находятся наиболее подходящие фрагменты.
- Фрагменты и вопрос передаются модели.
- Модель отвечает и указывает, на что опиралась.
2. Какую задачу решает
- Дать модели знания, которых нет в её обучении: внутренние регламенты, договоры, базу знаний.
- Отвечать на актуальных данных без переобучения модели.
- Показывать источник ответа и снижать долю выдуманных ответов.
3. Альтернативы и границы
| Альтернатива | Когда лучше |
|---|---|
| Дообучение модели | Меняет стиль и формат, но плохо подходит для часто меняющихся фактов |
| Длинный контекст | Передать документы целиком: просто для небольшого набора, дорого и медленно для большого |
| Классический поиск | Без генерации: точнее и дешевле, если пользователю достаточно найти документ |
Сравнение — в Trade-off Explorer, раздел «Как дать ИИ знания компании».
4. Архитектура
- Загрузка и подготовка: извлечение текста из PDF, таблиц, писем; очистка; разбиение на фрагменты.
- Индекс: векторная база и полнотекстовый поиск, часто вместе (гибридный поиск).
- Переранжирование найденных фрагментов.
- Модель по API или в собственном контуре.
- Права доступа: поиск учитывает, что разрешено видеть пользователю.
- Оценка качества: наборы вопросов с эталонными ответами.
5. Эксплуатация и стоимость
- Стоимость: индексация, хранение векторов, вызовы модели на каждый вопрос.
- Свежесть: документы нужно переиндексировать при изменениях.
- Качество падает на плохо структурированных документах и таблицах.
- Безопасность: без фильтра прав ассистент становится каналом утечки.
6. Применение
- Ассистент по внутренним регламентам и базе знаний.
- Поддержка клиентов с ответами по документации.
- Помощник продавца по продуктам, ценовым политикам и тендерным требованиям.
- Анализ договоров и технических заданий.
7. Что спросить у заказчика
- Какие документы, в каких форматах и как часто меняются?
- У разных сотрудников разные права доступа?
- Можно ли передавать данные внешнему провайдеру модели?
- Как будете проверять, что ответы правильные?
- Кто отвечает за актуальность базы знаний?
8. Проверьте понимание
- Почему RAG лучше дообучения для часто меняющихся документов? Ответ: знания обновляются переиндексацией, а не переобучением.
- Где в RAG главный риск утечки? Ответ: в поиске без учёта прав пользователя.
- От чего качество зависит сильнее всего? Ответ: от подготовки документов и поиска, а не от выбора модели.
Соберите решение сами в лаборатории: «Ассистент, отвечающий по внутренним документам».
9. Источники и статус знания
- Lewis P. и соавт. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, NeurIPS 2020 — работа, введшая термин RAG.
- OWASP Top 10 for LLM Applications — риски, включая утечку данных и внедрение инструкций.
Тип: архитектурный паттерн · стадия: развивающаяся · проверено в октябре 2026 года. Версия 1.0.
Материалы по теме
- ИИ в компании: от демонстрации до эксплуатации
- Enterprise Knowledge Layer: как превратить корпоративные данные в рабочую память AI-агентов
Частые вопросы
Главное. RAG даёт ИИ знания компании без переобучения модели. Успех определяют подготовка документов, качество поиска, права доступа и регулярная оценка ответов.