Что такое RAG простыми словами

Что это такое простыми словами

RAG — то есть Retrieval-Augmented Generation, по-русски — «генерация, дополненная поиском»: программа сначала ищет нужное место в ваших документах, а уже потом строит ответ по найденному, а не по памяти. Пугаться аббревиатуры не нужно — за ней стоит простая логика: сначала найти, потом ответить.

Как это выглядит в жизни. Например, сотрудник аптеки может спросить: «Можно продать рецептурный препарат, если клиент говорит, что забыл рецепт дома?» Обычная нейросеть ответит бегло и уверенно — но может ошибиться, потому что отвечает «из головы». Такой помощник сначала находит нужный пункт в регламенте по рецептурным препаратам и отвечает по нему, с указанием, из какого документа взят ответ — его можно открыть и проверить.

Как это работает: путь одного вопроса

Внутри всё сложнее, но снаружи путь одного вопроса выглядит просто — три шага. Как вообще собирается такой помощник целиком, от сбора документов до подключения к мессенджеру, подробно разобрано в статье «Что такое ИИ-агент простыми словами». Здесь не повторяем это, а показываем с другого угла: что происходит в момент одного конкретного вопроса.

1. Сотрудник или клиент спрашивает своими словами

   Не нужно знать точную формулировку из регламента — вопрос можно задать как угодно, хоть с опечатками.

2. Программа находит нужное место в документах

   Не по совпадению слов, а по смыслу вопроса — среди прайса, регламентов и инструкций компании.

3. Ответ собирается только из найденного и подписывается источником

   Программа показывает, из какого документа взят ответ, — это позволяет проверить. Ответ «не знаю», если подходящего места не нашлось, — не случайность: так помощник настраивается заранее и проверяется на тестовых вопросах, а не гадает наугад.

Чем это отличается от обычной нейросети в чате

Нейросеть в окне чата — вроде обычного помощника без доступа к документам компании — отвечает бегло и уверенно, но по тому, чему её обучили в целом по интернету. Вашего прайса, регламентов и внутренних правил она никогда не видела. Три вида программ, которые в рекламе называют одним словом «чат-бот», и как их отличить за минуту, разобраны в статье «Чат-бот — это искусственный интеллект или нет».

Такой помощник эту проблему не решает целиком. Главная причина его ошибок другая: поиск иногда берёт не тот кусок документа, и программа уверенно отвечает со ссылкой на неподходящий документ. Ошибиться он может и по-другому — если документы устарели или противоречат друг другу. Но у него есть страховка, которой нет у обычной нейросети: ответ можно сверить с исходным документом, а не просто поверить программе на слово.

Точность на практике: кейс

— федеральная аптечная сеть. Она подключила такого помощника для розничного персонала — около 11 000 сотрудников. У них каждый день десятки похожих вопросов: как оформить возврат, что делать с рецептурным препаратом, какие условия у конкретной акции. Раньше на такие вопросы отвечал наставник, отвлекаясь от своей работы. Теперь — помощник, который сначала находит нужный пункт в документах сети, а потом отвечает.

Результат подтверждён заказчиком: точность ответов — 94%, а текучесть персонала снизилась на 10–15% за счёт более понятного входа в работу и доступных инструктажей (источник: кейс , la-chatte.com). Сотрудник получает ответ со ссылкой на исходный регламент — можно проверить, а не верить на слово. Это и есть поиск по документам на практике, а не абстрактная технология из презентации.

Всё это работает на серверах самой : мы развернули открытую модель внутри контура сети, и документы сети и вопросы сотрудников не уходят в сторонние нейросети — для фармацевтики это обязательное условие, а не пожелание (источник: кейс , la-chatte.com).

Когда такой помощник не нужен

Честно: такой помощник подходит не всем, и вот когда это не нужно.

• Вопросов слишком мало. Если в неделю приходит два-три вопроса и коллеги справляются сами, отдельный проект не окупится.
• Нужны живые данные, а не текст из документов. Остатки на складе или статус конкретного заказа хранятся в 1С или CRM и постоянно меняются — обычный поиск по документам туда не доберётся. Отвечать на такие вопросы умеет уже ИИ-агент, который подключается к самим рабочим системам, а не помощник, который ищет по текстам.
• Цена ошибки высокая, а проверять ответы некому. Даже при точности 94%, как у (источник: кейс , la-chatte.com), примерно 6 ответов из 100 будут неточными. Для справочного вопроса это нормально, но если ошибка может дорого стоить, а рядом нет человека, готового перепроверить ответ, риск не оправдан.

Что подготовить из документов

Это самая долгая часть работы, и от неё зависит итоговая точность — программа отвечает ровно настолько хорошо, насколько хороши документы, которые ей дали.

• Актуальные регламенты, инструкции и прайс — в любом привычном формате: Word, PDF, таблицы, даже скан, если текст можно распознать.
• Ответы на частые вопросы, если они уже где-то собраны — в переписке с наставниками, во внутренней вики, в старых инструкциях для новичков.
• Один человек с правом решать, какая версия документа верная, если в компании несколько отделов присылают разное.

Дальше документы разбирают, приводят в порядок и загружают в помощника — как правило, это занимает больше времени, чем настройка самой программы.

Сколько это стоит

ИИ-ассистент для персонала — чат-бот, который отвечает по вашим документам, — стоит от 250 000 ₽, дальше сопровождение от 50 000 ₽ в месяц (источник: страница услуги «ИИ-ассистент для персонала», la-chatte.com). Отдельная, более дорогая ступень — закрытый контур на серверах компании с открытой моделью, как у : от 2 500 000 ₽, срок — от трёх месяцев. Это разные проекты с разной ценой, путать их не стоит.

ИИ-ассистент для персоналаОтвечает по вашим регламентам, живёт в мессенджере, точность 94% — источник: кейс на 11 000 сотрудников

Для технических специалистов

RAG устроен так: документы компании заранее режутся на небольшие куски. Когда приходит вопрос, программа ищет среди этих кусков самые похожие по смыслу — не по точному совпадению слов, а по смыслу вопроса. Из найденных кусков собирается ответ, и рядом указывается, откуда он взят. Для мы развернули открытую модель Qwen на сервере клиента: документы сети и вопросы сотрудников не уходят в сторонние нейросети. Сотрудники спрашивают в корпоративном Microsoft Teams и получают ответ со ссылкой на исходный регламент, который можно проверить.