Прикладной AI · разбор

Что такое RAG и когда он нужен бизнесу

RAG — это ответы модели по вашим документам, а не по интернету, с видимым источником под каждым утверждением. Разбираем, из чего он состоит, где теряется качество на нарезке и обновлении, как считать, что он работает, и когда он не нужен.

23 августа 20268 мин чтения

Что такое RAG простыми словами

RAG — это связка «сначала найди, потом ответь». На вопрос система сначала достаёт релевантные куски из ваших документов, а потом просит модель ответить, опираясь только на них. Ответ приходит с указанием источника, и его можно проверить.

Ценность именно в проверяемости. Модель без RAG отвечает по памяти обучения и звучит одинаково уверенно и когда права, и когда нет. Модель с RAG показывает, откуда взяла утверждение, и это превращает её из собеседника в инструмент.

RAG или дообучение модели

Это разные задачи, а не конкуренты. Дообучение меняет поведение модели: стиль, формат, устойчивые правила домена. RAG даёт знание, которое меняется: регламенты, цены, договоры, вчерашние протоколы.

Практическое правило: если ответ должен меняться в тот же день, когда изменился документ, это RAG. Если меняется не знание, а манера отвечать, это дообучение. Требование «модель должна знать наши документы» почти всегда означает первое.

Из чего состоит рабочая система

Пять частей, и качество определяется не последней из них, а первыми двумя.

Источники. PDF, вики, почта, тикеты, база, таблицы. У каждого типа своя беда: у PDF — таблицы и колонки, у вики — устаревшие страницы, у почты — цитирование предыдущих писем.
Нарезка. Документ режется на куски, которые будут искаться. От размера и границ куска зависит больше, чем от выбора модели.
Индекс. Векторный поиск по смыслу плюс обычный полнотекстовый по словам: коды, артикулы и номера договоров ищутся словами, а не смыслом.
Ранжирование. Первичная выборка широкая, затем реранкер отбирает несколько лучших кусков. Без этого шага модель получает шум и уверенно отвечает по нему.
Генерация с цитатами и с правом сказать «не знаю». Пустая выборка должна приводить к отказу, а не к красивому вымыслу.

Нарезка: где чаще всего теряется качество

Кусок в 200 слов теряет контекст: пункт регламента без раздела, к которому он относится, значит другое. Кусок в 2000 слов размывает смысл, и поиск перестаёт различать соседние темы. Рабочий подход — резать по структуре документа, а не по числу символов: раздел, пункт, таблица, и хранить рядом заголовки родителей.

Таблицы и списки выносятся отдельно и сохраняются целиком: разрезанная посередине таблица превращает цифры в мусор. У каждого куска должны быть метаданные — документ, версия, дата, владелец, права доступа. На них потом держится и фильтрация, и объяснение, откуда ответ.

Обновление без простоя

База знаний живёт: документы правятся ежедневно. Переиндексация всего корпуса на каждое изменение неоправданно дорога, а ответы по вчерашней версии обесценивают систему. Практическое решение — инкрементальное обновление по изменившимся документам и версионирование индекса: новая версия собирается рядом, переключение происходит атомарно, старая остаётся для отката.

Отдельно нужен путь для удаления. Документ отозвали — его куски должны исчезнуть из выдачи в тот же день, иначе система будет цитировать отменённый регламент с полной уверенностью.

Права доступа

Самая дорогая ошибка в корпоративном RAG — не галлюцинация, а ответ, который сотрудник не должен был увидеть. Права проверяются на этапе поиска, а не на этапе показа: фильтр по правам применяется к выборке до того, как куски попали в модель. Иначе достаточно переформулировать вопрос, чтобы получить закрытые данные пересказом.

Как понять, что система работает

Ощущение «отвечает хорошо» не масштабируется. Нужен набор из нескольких десятков реальных вопросов с известными правильными источниками и три метрики: доля вопросов, где нужный кусок вообще попал в выборку; доля ответов, где цитата подтверждает утверждение; доля честных отказов там, где ответа в документах нет.

Первая метрика лечится поиском и нарезкой, вторая — ранжированием и промптом, третья — правилами на пустую выборку. Без этого разделения улучшения превращаются в перебор наугад.

Когда RAG не нужен

Если документов мало и они помещаются в контекст модели целиком, поиск не нужен: положите их в запрос. Если вопросы всегда одинаковые, дешевле подготовленные ответы. Если документы противоречат друг другу и никто не знает, какая версия действующая, RAG не решит проблему, а сделает её видимой и быстрой — начинать надо с наведения порядка в источниках.

// Коротко

Качество RAG определяется источниками и нарезкой, а не выбором модели.

Векторный поиск дополняется полнотекстовым: номера и коды ищутся словами.

Права доступа применяются при поиске, а не при показе ответа.

Пустая выборка — это отказ отвечать, а не повод для догадки.

// Вопросы

Чем RAG отличается от обычного поиска по документам?

Обычный поиск возвращает список документов, читать их предстоит вам. RAG возвращает сформулированный ответ и ссылку на фрагмент, из которого он собран. Под капотом поиск остаётся, но результат — не десять ссылок, а ответ с основанием.

Как часто нужно обновлять базу?

С той же частотой, с какой меняются документы. Технически это решается инкрементальным обновлением изменившихся документов и версионированием индекса, поэтому «раз в квартал» и «в тот же час» отличаются не архитектурой, а настройкой конвейера.

Данные уходят во внешнюю модель?

Зависит от контура, и это решается на старте, а не в конце. Возможны варианты от полностью локальной модели до внешнего провайдера с ограничением на то, какие куски вообще могут покинуть периметр. Выбор диктуется требованиями к данным, а не модой.

Сколько документов нужно, чтобы это имело смысл?

Смысл появляется не от количества, а от частоты обращений и цены ошибки. Сто регламентов, к которым обращаются каждый день, окупают систему быстрее, чем десять тысяч архивных файлов, которые не открывают.

Можно ли доверять ответам без проверки человеком?

В чувствительных доменах — нет, и это архитектурное решение, а не осторожность на словах. Система обязана показывать источник, отказываться при пустой выборке и логировать, на чём построен ответ. Дальше степень доверия расширяется по конкретным типам вопросов, а не разом.

// Куда это ведёт

RAG и база знаний

Услуга, о которой эта статья, на практике.

// Читать дальше

Платформы для AI-агентов 2026: что выбрать бизнесу

Одиннадцать платформ, за что каждая берёт деньги, где у неё потолок и что из этого работает из России. Все цифры — с публичных страниц вендоров, проверены 6 сентября 2026, с указанием источника. Без рейтингов и «топ-10»: выбор зависит от того, что вы строите, а не от места в списке.

n8n или своя разработка: где проходит граница

n8n закрывает больше задач, чем принято думать, и мы сами регулярно советуем начать с него. Но у конструктора есть граница, и проходит она не по сложности сценария, а по цене ошибки, конкурентности и правам доступа. Разбираем, как считать заранее и в какой момент дешевле написать код.

Готовый чат-бот или свой: считаем стоимость владения

Коробочный бот запускается за неделю и выглядит дешевле в десять раз. Разница появляется не в первый месяц, а там, где бот должен посмотреть в вашу систему, ответить по вашим документам и честно передать человеку. Разбираем, из чего складывается счёт на два года и как выбрать, не переплатив ни в одну сторону.

Нарезка документов для RAG: почему чанки важнее модели

Плохой ответ RAG-системы почти всегда родом не из модели, а из нарезки. Разбираем, как резать регламенты, договоры, PDF-сканы и тикеты поддержки, что ломается на корпусе из десятков тысяч длинных документов и как понять, что виновата именно нарезка.

Есть корпус документов, по которому нужны ответы? Посмотрим, что реально достаётся.

Обсудить проект RAG и база знаний