Урок 1 із 7
Що таке RAG
6 хв читання
Запитай модель «який у нас ліміт запитів на API?» — вона відповість миттєво, впевнено, і вигадає число. Твоїх документів вона ніколи не бачила. То як дістати відповідь, що спирається на справжні факти?
Спершу знайти, потім згенерувати
RAG — Retrieval-Augmented Generation, генерація з доповненням пошуком — це два кроки. Спершу пошук: шукаємо у твоїх джерелах уривки, що відповідають на питання. Потім генерація: передаємо ці уривки моделі й просимо відповісти на основі них. Модель перестає вгадувати з пам'яті й починає читати з того, що ти їй даєш.
RAG — це «спершу знайти, тоді згенерувати»: знайти потрібні уривки й відповісти з них, а не з пам'яті моделі.
Чому обґрунтування краще за пам'ять
Вбудовані знання моделі розмиті, застарілі й не можуть послатися на джерело. Обґрунтування означає, що модель відповідає зі справжніх джерел, які ти кладеш перед нею, — і відповідь стає точною, актуальною та відстежуваною: модель показує, на який саме уривок спиралася. Зміни джерело — і відповідь зміниться разом, без жодного перенавчання.
Обґрунтування перетворює впевнений здогад на перевірну відповідь, яка посилається на джерело.
RAG не вкладає в модель нові факти назавжди: він передає їх у момент запиту, лише для цієї відповіді. Онови документ — і наступна відповідь одразу актуальна.
Якщо коротко
- —RAG = знайти релевантні уривки, а потім згенерувати відповідь із них.
- —Обґрунтування робить відповіді точними, актуальними й відстежуваними до джерела.
- —Зміни джерело — зміниться відповідь, без перенавчання.
Твій бот підтримки раз у раз називає старий термін повернення коштів. Документ із політикою оновили вчора. Що виправить це в RAG?
Продовжити в застосунку
Пройди весь курс «RAG і пошук» — з відстеженням
Отримай персональний план, прогрес і стріки в застосунку — цей урок і кожен наступний, по порядку.