RAG для чайников: как научить AI отвечать по вашим документа

RAG — способ заставить языковую модель отвечать по вашим документам, а не по тому, что она запомнила при обучении. Система находит нужные фрагменты в базе знаний и передаёт их модели вместе с вопросом — так ответ опирается на проверенные источники.

Что это

RAG (Retrieval-Augmented Generation) — подход, при котором искусственный интеллект сначала ищет информацию в доступных ему документах, а затем использует найденное для ответа. Представьте сотрудника, который прежде чем ответить на вопрос, открывает инструкцию или договор и находит нужный пункт.

Например, вы загружаете регламент компании и спрашиваете: «Кто согласовывает закупку дороже 500 тысяч рублей?» Система находит соответствующий раздел и передаёт его языковой модели. Та формулирует понятный ответ и, если сервис поддерживает ссылки на источники, показывает, откуда взяла информацию.

RAG не переобучает модель и не гарантирует отсутствие ошибок. Он даёт ей дополнительный контекст: конкретные документы, с которыми нужно свериться.

RAG не делает модель умнее — он даёт ей нужный контекст в нужный момент.

Зачем нужно

• Ответы по внутренним материалам — сотрудники могут задавать вопросы по инструкциям, регламентам, договорам и базе знаний компании.
• Быстрый поиск — вместо просмотра десятков файлов можно получить короткий ответ и перейти к нужному месту в документе.
• Работа с обновлениями — когда документы меняются и поисковая база обновляется, система начинает использовать новые версии без переобучения языковой модели.
• Проверяемость — ссылки на документы позволяют сверить ответ с первоисточником.
• Основа для автоматизации — тот же поиск можно подключить к чат-боту поддержки или внутреннему ИИ-агенту.

Как устроено

Для пользователя всё выглядит просто: он задаёт вопрос и получает ответ. Внутри системы происходит несколько шагов.

Один из распространённых способов поиска — эмбеддинги. Это числовые представления текста, которые помогают находить похожие по смыслу фразы, даже если в вопросе использованы другие слова. Для хранения и поиска таких представлений используют, например, Qdrant, Weaviate или pgvector.

Однако поиск по смыслу не всегда хорошо справляется с артикулами, номерами договоров и точными формулировками. Поэтому в более развитых системах его объединяют с поиском по ключевым словам. Такой подход называют гибридным поиском. Дополнительно результаты можно перепроверять и сортировать по релевантности — это называется реранкингом.

Для первого проекта необязательно разбираться во всех этих компонентах. В готовых сервисах загрузка, поиск и формирование ответа уже объединены в одном интерфейсе.

Когда использовать

Не каждую задачу нужно решать через RAG. Если требуется один раз кратко пересказать небольшой файл, проще передать его модели целиком. А если нужно регулярно отвечать на вопросы по сотням документов, поисковая система становится гораздо полезнее.

Пример

Попробуем сам принцип работы без программирования на примере NotebookLM — сервиса Google для работы с собственными источниками. Это простой способ почувствовать, как устроены ответы по документам, хотя он не заменяет настройку полноценной корпоративной RAG-системы.

1. Откройте NotebookLM и создайте новый блокнот.
2. Добавьте один или несколько PDF, текстовых файлов или документов из поддерживаемых источников.
3. Задайте конкретный вопрос, ответ на который есть в этих документах. Например: «На каких условиях можно расторгнуть договор?»
4. Прочитайте ответ и откройте ссылки на использованные фрагменты. Сравните формулировку с оригиналом.
5. Задайте второй вопрос, ответа на который в файлах нет. Посмотрите, как сервис справляется с отсутствующей информацией.

Для проверки лучше взять документы, содержание которых вам хорошо знакомо. Например, небольшую инструкцию с явно указанными сроками и ответственными. Так легче увидеть, нашла ли система нужный пункт.

Что должно получиться: вы задаёте вопрос обычным языком, получаете ответ по загруженным материалам и можете перейти к источнику. Если сервис не находит нужной информации, ответ следует перепроверить, а не принимать на веру.

А если нужен собственный RAG?

Тогда готового интерфейса может оказаться недостаточно. Для своей системы обычно выбирают инструмент загрузки документов, модель эмбеддингов, поисковое хранилище и языковую модель.

Например, можно использовать BGE-M3 для представления текста, Qdrant для хранения и поиска, а языковую модель — для окончательного ответа. Связать компоненты помогают LangChain или LlamaIndex. Такой вариант требует настройки, зато даёт больше контроля над данными, доступами и логикой поиска.

Для сложных задач существуют Agentic RAG и GraphRAG. Первый позволяет агенту выполнять несколько поисков и уточнять запросы; второй помогает работать со связями между сущностями. Для обычных вопросов по инструкциям начинать с них не нужно.

Ссылки

• Документация: NotebookLM — добавление источников
• Документация: Qdrant
• Документация: LangChain
• Репозиторий: BAAI/bge-m3

По теме

• База знаний: BGE-M3: локальные эмбеддинги для поиска и RAG
• База знаний: Firecrawl: как скормить ИИ любой сайт без парсинга
• База знаний: ИИ-агенты: что это, как работают и зачем нужны