# RAG (Retrieval-Augmented Generation)

> RAG — технология, при которой AI сначала ищет фрагменты в выбранной базе документов, а затем формулирует ответ с этим контекстом. Источники помогают ограничить ответ, но не исключают ошибку модели.

Источник: https://aiorkestrator.ru/glossary/rag/

## Библиотека вместо памяти модели

Без RAG модель отвечает по данным, на которых её обучали. С RAG порядок другой: клиент задаёт вопрос → система ищет подходящие фрагменты в вашей базе → передаёт их модели как контекст → модель формулирует ответ строго по найденному.

Это как выдать сотруднику папку с документами и сказать: «Отвечай только по этим материалам». Сотрудник не сочиняет — он находит и пересказывает.

## Бот с RAG и без: разница для клиента

| Ситуация | Бот без RAG | Бот с RAG |
| --- | --- | --- |
| Откуда берёт ответ | Из данных обучения модели | Из ваших документов |
| Цены или условия изменились | Отвечает по-старому | Отвечает по обновлённой базе |
| Вопрос вне темы | Пытается ответить и сочиняет | Говорит «не знаю» или зовёт менеджера |
| Проверка ответа | Непонятно, откуда взято | Можно показать исходный фрагмент |

## RAG в рабочем проекте: проверка смет

В AI-Технадзоре к боту через RAG подключена база нормативов — СП, ГОСТ, ФЕР. Бот принимает смету фото или PDF, распознаёт позиции и сверяет расценки с нормами. В примере из кейса: смета на 650 000 ₽ проверена за 2 минуты, найдены 2 завышенные позиции на 120 270 ₽.

## Что подготовить до внедрения

- Собрать документы в одном месте: инструкции, прайсы, регламенты, ответы на частые вопросы
- Убрать дубли и устаревшие версии — RAG честно найдёт и старую цену
- Разбить тексты на фрагменты и загрузить в векторную базу данных
- Определить поведение для вопросов без ответа: честное «не знаю» лучше выдумки

## Частые вопросы

### У нас документы в Word, PDF и таблицах — подойдут?

Да, это типичный набор: файлы конвертируются и режутся на фрагменты автоматически. Важнее содержание — если в документах противоречия, бот будет отвечать противоречиво.

### RAG полностью убирает выдумки?

Нет. Риск галлюцинаций заметно снижается, потому что модель опирается на найденные фрагменты, но проверка на реальных вопросах клиентов и ограничение тем всё равно нужны.

### Чем RAG отличается от дообучения модели?

Fine-tuning меняет поведение модели и требует отдельной подготовки данных. RAG не меняет модель: после обновления и переиндексации документов новый фрагмент становится доступен для поиска. Для базы знаний сначала обычно проверяют RAG, а необходимость дообучения подтверждают тестами.

## Смежные материалы

- [Кейс: AI-Технадзор (RAG по нормативам)](https://aiorkestrator.ru/cases/ai-texnadzor/)
- [Telegram-бот с ответами по вашей базе](https://aiorkestrator.ru/uslugi/telegram-bot/)
- [Виды Telegram-ботов для бизнеса](https://aiorkestrator.ru/blog/vidy-telegram-botov-dlya-biznesa/)