RAG: что это такое простыми словами

Языковая модель не знает ваших документов. RAG это способ дать их ей: сначала найти нужные куски в базе знаний, потом подставить их в запрос. Здесь собрано, как это устроено по первоисточникам и где такая система ошибается.

Обновлено 13 октября 2026 года. Текст подготовил ООО «ФИИ», источники в конце страницы.

Что такое RAG

RAG расшифровывается как retrieval-augmented generation, генерация, дополненная поиском. Языковая модель знает только то, на чем ее обучили. Google формулирует проблему прямо: модели не знают закрытых данных организации. RAG закрывает этот пробел: перед ответом система находит в вашей базе знаний подходящие куски текста и добавляет их к вопросу.

Термин появился в статье Lewis и соавторов 2020 года. Там RAG это обученная связка поисковика и генератора, а внешней памятью служил векторный индекс Википедии. Сейчас словом RAG чаще называют более простую схему: найденное подставляется в запрос к готовой модели. Anthropic описывает RAG именно так: найти нужное в базе знаний и добавить к запросу пользователя.

Как работает система RAG

Нарезка. Документы режут на небольшие фрагменты, обычно не больше нескольких сотен токенов. У OpenAI по умолчанию фрагмент до 800 токенов, соседние перекрываются на 400.
Эмбеддинги. Каждый фрагмент отдельная модель превращает в вектор, набор чисел, который передает смысл. Близкие по смыслу тексты получают близкие векторы.
Хранение и поиск. Векторы кладут в векторную базу данных. По вопросу пользователя она находит фрагменты, близкие по смыслу, даже если общих слов почти нет.
Подстановка. Самые подходящие фрагменты добавляются к вопросу, и модель отвечает, опираясь на них.

Подробнее о том, почему длина фрагмента меряется в токенах, на странице о токенах.

Векторная база данных

Векторная база хранит векторы и быстро находит ближайшие к вектору вопроса. Отдельный сервер для этого не обязателен. Расширение pgvector добавляет векторный поиск в обычный PostgreSQL, и векторы лежат рядом с остальными данными. Библиотека FAISS ищет по векторам в памяти, а со сжатыми индексами, ценой меньшей точности, справляется с миллиардами векторов на одном сервере.

У векторного поиска есть слабое место: он хорошо ловит смысл, но может пропустить точное совпадение. Пример из Anthropic: код ошибки вида TS-999 лучше находит обычный поиск по словам. Поэтому на практике часто ищут двумя способами сразу.

Где RAG ошибается

Ответ не лучше найденного. Если поиск не нашел нужный фрагмент, модель ответит без него или выдумает. Anthropic отмечает, что при нарезке фрагмент теряет контекст документа, и из-за этого система не находит нужное.
Источник может ошибаться. Авторы исходной статьи писали, что ни одна база знаний не будет полностью фактической и беспристрастной.
Индекс устаревает. Знания обновляются заменой индекса, без переобучения модели, но обновлять его нужно. OpenAI предупреждает, что после удаления файла его содержимое еще какое-то время может попадать в результаты поиска.
Доступ. OWASP описывает утечки: при неправильных правах доступа фрагменты одной группы пользователей попадают в ответы другой. Мера: права доступа на уровне фрагментов и проверка документов до добавления в базу, в том числе на скрытый текст.
Где лежат данные. Облачный RAG крупного поставщика может не обещать места хранения: у Google RAG Engine контроль размещения данных не поддерживается.

Когда RAG нужен, а когда нет

RAG нужен, когда база знаний большая или часто меняется, а модель должна отвечать по ней со ссылкой на источник. Если документов мало, иногда проще вложить их в запрос целиком. Anthropic писал в 2024 году, что база меньше 200 000 токенов, около 500 страниц, помещается в запрос к их моделям. Для других моделей этот порог свой: он зависит от окна контекста.

RAG в контуре заказчика

Поиск по базе знаний есть в Сибирь.Диалоге: справочный помощник ищет по загруженным документам организации и отвечает с указанием источников. Векторный поиск подключается при установке дополнением, эмбеддинги считаются локально. Данные эксплуатанта, в том числе база знаний, размещаются в его инфраструктуре. Подробности в документации Сибирь.Диалога.

Модели Сибирь.ИИ тоже работают в инфраструктуре лицензиата и при обучении и выводе не обращаются к внешним службам. Для RAG это значит, что ни документы, ни вопросы не уходят к внешнему поставщику.

Другие разборы

Источники

Страницы открыты 13 октября 2026 года.

Частые вопросы

RAG в ИИ это что

Способ дать языковой модели ваши документы: система находит подходящие фрагменты в базе знаний и добавляет их к вопросу, а модель отвечает по ним.

Чем RAG отличается от дообучения модели

При RAG модель не меняется: меняется база, по которой она ищет, и знания обновляются заменой индекса. Дообучение меняет саму модель, подробнее в разборе о дообучении нейросети.

Что такое векторная база данных

Хранилище векторов, которое быстро находит самые близкие по смыслу фрагменты. Это может быть отдельная программа или расширение обычной базы, например pgvector для PostgreSQL.

Почему RAG отвечает неправильно

Чаще всего поиск не нашел нужный фрагмент или в базе устаревший документ. Ответ RAG не бывает лучше найденного.

Можно ли сделать RAG без передачи документов в облако

Да, если модель, эмбеддинги и база работают в вашей инфраструктуре. Облачные сервисы размещение данных могут не гарантировать.