[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-retrieval-augmented-generation::ru":3,"gloss-cluster-retrieval-augmented-generation::ru":23,"gloss-next-retrieval-augmented-generation::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"retrieval-augmented-generation","core-ai","Генерация с дополненным поиском (RAG)","Retrieval-Augmented Generation (RAG) — это архитектурный паттерн, который объединяет этап поиска\u002Fретривала с этапом генерации LLM, чтобы модель отвечала, опираясь на ваши конкретные, актуальные данные, а не только на то, что она запомнила при обучении. Это решает две ключевые слабости LLM: галлюцинации (выдумывание правдоподобных, но ложных фактов) и устаревание данных (у обучающих данных есть дата отсечки). RAG критически важен для SaaS-разработчиков, потому что это самый дешёвый и быстрый способ заставить универсальную LLM вести себя как эксперт в вашем продукте, документации или клиентских данных — без затрат и сложности дообучения (fine-tuning). Процесс состоит из трёх шагов. Сначала — ретрив (retrieve): вопрос пользователя превращается в вектор embedding, затем выполняется поиск по сходству в векторной базе данных (например, pgvector или Pinecone), хранящей embedding'и фрагментов ваших документов, и возвращаются top-k наиболее релевантных отрывков. Затем — дополнение (augment): эти отрывки вставляются в контекстное окно LLM вместе с вопросом пользователя, обычно в системный промпт или как преамбулу. И наконец — генерация (generate): LLM формирует ответ, ограниченный ссылкой на предоставленный контекст. Конкретный пример: пользователь спрашивает у SaaS-бота поддержки «Как сбросить мой API-ключ?» Система превращает этот вопрос в embedding, ищет по векторному хранилищу статей вашего справочного центра, извлекает три наиболее релевантных фрагмента (например, документы «API-ключи» и «Настройки безопасности») и отправляет LLM промпт вида: `\"Используя только приведённый ниже контекст, ответь на вопрос пользователя. Контекст: [отрывок из документа об API-ключах]... Вопрос: Как сбросить мой API-ключ?\"` Модель отвечает точными шагами сброса из вашей документации, а не догадывается. Пайплайны RAG обычно также включают реранкинг (reranking — второй, более точный проход оценки релевантности извлечённых фрагментов) и отслеживание цитирования, чтобы ответы можно было связать с исходными документами. RAG — не панацея: качество ретривала задаёт потолок качества генерации, поэтому стратегия разбиения на фрагменты (chunking), выбор модели embedding и фильтрация по метаданным важны не меньше самой LLM. Системы RAG отказывают предсказуемым образом, и разработчикам стоит проектировать с учётом этого: если этап ретривала возвращает нерелевантные фрагменты, этап генерации уверенно отвечает на основе неверного контекста (мусор на входе — уверенный мусор на выходе); если документ разбит на фрагменты неудачно (таблица или пронумерованная процедура разрезана посередине), извлечённый контекст может быть неполным или вводящим в заблуждение, даже если нужный документ найден. Продакшн-пайплайны RAG обычно добавляют проход реранкинга после первичного ретривала, отслеживают, какие фрагменты-источники реально были использованы в каждом ответе (для цитирования и отладки), и задают явный откат «у меня недостаточно информации, чтобы ответить на это», когда оценки релевантности извлечённых фрагментов падают ниже порога, вместо того чтобы позволять модели гадать.","RAG заземляет ответы LLM, извлекая релевантные документы из ваших данных и добавляя их в промпт перед генерацией.",null,[11,14,17,20],{"slug":12,"name":13},"embedding","Эмбеддинг (векторное представление)",{"slug":15,"name":16},"grounding","Обоснование (Grounding)",{"slug":18,"name":19},"semantic-search","Семантический поиск (Semantic Search)",{"slug":21,"name":22},"vector-database","Векторная база данных",[24,28,32,36,39,42,45,48,51,54,57,60],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":33,"category":5,"name":34,"updated_at":35},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":37,"category":5,"name":38,"updated_at":27},"attention","Внимание (Attention)",{"slug":40,"category":5,"name":41,"updated_at":35},"beam-search","Лучевой поиск",{"slug":43,"category":5,"name":44,"updated_at":31},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":31},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":35},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":31},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":27},"context-window","Контекстное окно",{"slug":58,"category":5,"name":59,"updated_at":35},"deep-learning","Глубокое обучение",{"slug":61,"category":5,"name":62,"updated_at":27},"diffusion-model","Диффузионная модель (Diffusion Model)"]