Урок 1 із 7
Що таке RAG
6 хв читання
Запитай модель «який ліміт запитів у нашого API?» — і вона відповість миттєво, впевнено — і вигадає число. Вона ніколи не бачила твоїх документів. То як отримати відповідь із того, що справді правда?
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 знайти-тоді-згенерувати: знайти потрібні уривки, а потім відповісти з них — а не з пам'яті моделі.
Чому обґрунтування краще за пам'ять
Вбудовані знання моделі розмиті, застарілі й нічого не можуть процитувати. Обґрунтування — відповідь із джерел, які ти ставиш перед нею — робить відповідь точною, актуальною та відстежуваною: вона може вказати на конкретний уривок, який використала. Зміни джерело — і відповідь зміниться разом із ним, без жодного перенавчання.
Обґрунтування перетворює впевнений здогад на перевірну відповідь, що вказує назад на своє джерело.
RAG не навчає модель нових фактів назавжди — він передає їх у момент запиту, лише для цієї однієї відповіді. Онови документ — і наступна відповідь одразу актуальна.
Суть у формі
- —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 постійно цитує старе вікно повернення коштів. Документ політики оновили вчора. Що це виправить у 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.