PRO.03
RAG и собственная база знаний
РЕЗУЛЬТАТ УРОКА
Спроектировать retrieval-систему с источниками и оценкой качества.Главное за 30 секунд
RAG помогает модели отвечать на основе выбранных документов, но качество зависит от данных, поиска, инструкций и оценки ответов.
Разбираемся
RAG (Retrieval-Augmented Generation) — подход, при котором модель не опирается только на свои обучающие данные, а сначала ищет релевантные фрагменты из вашей базы документов и строит ответ на их основе. Это позволяет отвечать на вопросы о ваших внутренних данных, поддерживать актуальность без переобучения модели и ссылаться на конкретные источники.
Chunks и embeddings
Документы нарезаются на фрагменты (chunks) — обычно 200–500 слов с перекрытием. Каждый фрагмент преобразуется в числовой вектор (embedding), который кодирует смысловое содержание. Похожие по смыслу фрагменты имеют близкие векторы. Качество нарезки напрямую влияет на качество поиска: слишком мелкие фрагменты теряют контекст, слишком крупные — снижают точность.
Retrieval и vector search
При поступлении вопроса он тоже преобразуется в вектор, и система ищет ближайшие по смыслу фрагменты в базе. Это быстрее и семантически точнее, чем полнотекстовый поиск по ключевым словам. Результат поиска — несколько релевантных фрагментов, которые передаются модели вместе с вопросом.
Качество данных и freshness
RAG не исправляет плохие документы: устаревшие, противоречивые или плохо структурированные файлы дадут устаревшие и противоречивые ответы. Качество базы знаний первично. Freshness — обновление документов в базе при их изменении — должно быть частью процесса поддержки системы.
Права доступа
В корпоративных системах разные пользователи должны видеть разные документы. Архитектура RAG должна учитывать это: поиск выполняется только по документам, доступным конкретному пользователю. Иначе система может «утечь» конфиденциальные данные через ответы модели.
Оценка качества
Красивый ответ — не критерий качества RAG. Критерии: точность (ответ соответствует документу), полнота (все важные части документа учтены), отсутствие галлюцинаций (модель не добавила информацию из-за пределов базы), корректность ссылки (ответ указывает на правильный фрагмент). Оценивайте на наборе реальных вопросов перед запуском.
ПРАКТИКА
Сделайте сейчас
Составьте план RAG-пилота для одной реальной задачи: определите корпус документов (10–20 файлов), сформулируйте 10 тестовых вопросов с известными правильными ответами, опишите стратегию нарезки, права доступа и критерии оценки качества. Если у вас нет технической возможности реализовать — это всё равно полезное упражнение для понимания архитектуры.
ОГРАНИЧЕНИЯ
Где нужен человек
- RAG не является защитой от галлюцинаций: модель может добавить информацию из своих обучающих данных.
- Без актуальных и структурированных документов RAG не даст качественных результатов.
Ещё на уровне PRO
Материал проверен: 20 августа 2026. Инструменты и тарифы меняются — сверяйтесь с первоисточником.