Источники знаний
PDF, документы, страницы сайта, таблицы или записи из существующей системы.
RAG — это подход, при котором система находит релевантную информацию во внутренних или внешних источниках до того, как модель ответит. Ответ опирается на знания компании, а не только на общую «память» модели.
Официальные источники: Руководство Google по основам SEO · Документация Google по структурированным данным · Документация OpenAI Agents SDK · Документация Supabase по миграции · Статья о Retrieval-Augmented Generation
Языковая модель умеет формулировать ответ, но сама по себе не знает, что написано в документах вашей компании. RAG добавляет поиск: система находит релевантные фрагменты, передаёт их модели, и модель отвечает на основе этого контекста.
Это полезно для поддержки клиентов, вопросов сотрудников, поиска по документам, обучающих систем, подготовки коммерческих предложений, анализа договоров и любых процессов, где знания компании меняются со временем.
Нужно описать источники знаний, очистить документы, разбить контент на осмысленные фрагменты, настроить поиск и протестировать ответы на реальных вопросах. Длинные документы без хорошего разбиения часто дают слабые ответы даже с сильной моделью.
Важны и права доступа. Не каждый пользователь должен видеть каждый документ. RAG в бизнес-системе обязан соблюдать контроль доступа, конфиденциальность и разделение между клиентами или командами.
Три вещи. Разбиение по структуре документа — по заголовкам и абзацам, а не по фиксированному числу символов. Гибридный поиск: семантический поиск, понимающий намерение, в сочетании с поиском по ключевым словам, который находит коды товаров, имена и пункты договоров. А в иврите поиск по ключевым словам должен учитывать приставки вроде ו, ב, ל, מ и ש, иначе он пропускает простые совпадения.
Права доступа фильтруются до того, как информация попадает в модель, а не после. Если документ, который пользователь не может видеть, попал в контекст модели, инструкция модели не всегда удержит его вне ответа. И это измеряется: набор из десятков реальных вопросов с правильными ответами запускается после каждого изменения и проверяет, опираются ли ответы на источники и действительно ли отвечают на вопрос.
Itay Karkason подключает RAG к существующим системам поэтапно: карта знаний, индексация, подключение к интерфейсу, проверка ответов, настройка прав доступа и мониторинг. Цель в полезных ответах на основе знаний компании.
PDF, документы, страницы сайта, таблицы или записи из существующей системы.
Деление информации на извлекаемые части с достаточным контекстом.
Разделение пользователей, клиентов, документов и конфиденциальных данных.
Реальные вопросы, отсутствующие ответы, противоречия и случаи, когда система должна сказать, что у неё нет информации.
Нет. RAG — это слой поиска и контекста поверх существующей информации. База данных по-прежнему управляет данными.
Да, но качество поиска, разбиение документов и ответы на русском нужно проверять на реальных данных.
Эта страница создана как краткое справочное руководство на основе исследования в NotebookLM и профессиональных источников. Основные источники:
Начните с анализа документов и текущего процесса.
Связаться