RAG: что это простыми словами и как работает в бизнесе

RAG – это способ, при котором нейросеть отвечает по вашим документам. Сначала система ищет в базе подходящие фрагменты, потом модель пишет ответ только по ним.

Расшифровка: Retrieval-Augmented Generation, генерация с поиском. Без RAG модель отвечает по памяти. Про ваши цены, договоры и регламенты она ничего не знает. С RAG у неё перед глазами нужные страницы.

Я собрал так ИИ-консультанта для сайта своей компании: база из 159 страниц, 1 610 фрагментов, ответ за 4–5,5 секунды и около 0,25 ₽ за ответ. Ниже покажу, как это работает по шагам, где RAG ошибается и какие готовые инструменты есть на октябрь 2026.

RAG что это простыми словами

Представьте экзамен с открытой книгой. Студент не помнит всё наизусть, зато умеет быстро найти нужный абзац и пересказать его своими словами. RAG делает с языковой моделью то же самое.

Пример. Клиент пишет боту на сайте: сколько стоит бухгалтерия для ИП на упрощёнке? Система находит в базе 3–5 кусков текста из прайса и описания услуги. Модель получает вопрос вместе с этими кусками и пишет ответ.

Термин появился в 2020 году в научной статье Патрика Льюиса с соавторами. Сегодня так называют весь класс решений. В документации Anthropic RAG описан как связка поиска информации и генерации текста: нужное достают из базы знаний в момент вопроса и передают модели вместе с запросом. В Yandex AI Studio это называют генеративным ответом с учётом информации из внешних источников.

Если путаетесь в терминах, загляните в словарь ИИ. Что такое сама языковая модель, разобрал в статье LLM: что это.

Как работает RAG-система по шагам

Под капотом пять шагов. Первые два делаются один раз при загрузке базы, остальные на каждый вопрос.

1. Нарезка. Документы режут на фрагменты. Anthropic советует фрагменты обычно не длиннее нескольких сотен токенов, то есть от абзаца до страницы текста.
2. Эмбеддинги. Каждый фрагмент превращают в набор чисел, который описывает его смысл. У модели Embeddings от GigaChat это 1 024 числа. Тексты, близкие по смыслу, получают близкие наборы чисел.
3. Векторный поиск. Вопрос клиента тоже превращают в числа и ищут фрагменты с самыми близкими значениями. Часто к нему добавляют обычный поиск по словам: он лучше находит артикулы, коды ошибок и фамилии. В Yandex AI Studio поиск по умолчанию работает именно так, в гибридном режиме.
4. Подстановка в промпт. Модель получает инструкцию, вопрос и найденные фрагменты. В инструкции обычно пишут: отвечай только по этим материалам, если ответа нет, так и скажи.
5. Ответ со ссылками. Модель пишет ответ, и система может показать, из какого файла взят факт. Такие ссылки на источник отдают File Search в OpenAI и поиск по файлам в Yandex AI Studio.

Вывод простой: модель в RAG почти не меняется. Всё качество зависит от того, что лежит в базе и что нашёл поиск.

Как это устроено в моём консультанте

Консультант отвечает клиентам на сайте компании по бухгалтерскому аутсорсингу. От решения до работы на живом сайте прошло 3 дня, с 4 по 6 августа 2026.

• База: 159 страниц сайта, разрезанные на 1 610 фрагментов. Услуги, цены, условия, статьи.
• Поиск: модель, которая подбирает подходящие фрагменты, работает прямо на нашем сервере.
• Ответ: пишет открытая модель GPT OSS 120B в российском облаке Timeweb. Полный ответ приходит за 4–5,5 секунды, первое слово появляется примерно через 2 секунды.
• Цена: 68 ₽ за миллион токенов, это около 0,25 ₽ за ответ. Тысяча ответов клиентам стоит примерно 250 ₽.
• Заявки: когда клиент оставляет телефон, заявка с перепиской уходит в Битрикс24 и в Telegram команде.

Если ответа в базе нет, бот предлагает оставить контакт, и вопрос разберёт специалист. Подробно про запуск рассказал в статье ИИ-консультант для сайта за 3 дня.

Чем RAG отличается от дообучения и длинного контекста

Есть три способа дать модели ваши знания. Их часто путают.

OpenAI в руководстве по точности моделей разделяет так. Работать с контекстом (это и есть RAG) нужно, когда модели не хватает знаний: их не было в обучении, они устарели или они закрытые. Дообучать модель нужно, когда она отвечает нестабильно и путает формат.

Про длинный контекст Anthropic пишет прямо: если база знаний меньше 200 000 токенов, это около 500 страниц, можно положить её в промпт целиком. С кэшированием промпта это, по их данным, быстрее больше чем в 2 раза и до 90% дешевле.

Мой вывод для бизнеса: прайс на 20 страниц проще отдать модели целиком. Сайт, база договоров или регламенты на тысячи страниц живут в RAG. Дообучение нужно редко, и точно не для того, чтобы модель запомнила ваши цены.

Где RAG применяют в бизнесе

• Консультант на сайте. Отвечает клиентам по вашим услугам и ценам вечером и в выходные, берёт контакт и передаёт заявку менеджеру.
• База знаний для сотрудников. Новичок спрашивает, как оформить возврат или где шаблон акта, и получает ответ со ссылкой на нужный регламент. Вместо того чтобы дёргать старших коллег.
• Поиск по договорам и регламентам. Юрист или бухгалтер спрашивает, в каких договорах есть пени выше определённого процента, и получает список с пунктами. Решение всё равно принимает человек, бот только находит.
• Техподдержка. Бот отвечает по инструкциям к продукту и передаёт человеку то, чего в инструкциях нет.

Общее у всех сценариев одно: ответ есть в ваших документах, просто его долго искать.

Ошибки RAG и как их ловить

1. Плохая нарезка. В документации Yandex AI Studio честно написано: автоматическое деление на фрагменты не учитывает смысл, текст может разорваться посреди предложения. Anthropic приводит пример: фрагмент говорит, что выручка компании выросла на 3% за квартал. Какой компании и за какой квартал, из фрагмента непонятно, и поиск его не найдёт.

Что делать: резать по смысловым блокам (раздел, услуга, вопрос из FAQ) и добавлять к каждому фрагменту заголовок страницы. Anthropic в своих тестах дописывал к фрагментам короткий контекст, добавил поиск по словам и пересортировку результатов. Доля неудачных поисков среди 20 лучших фрагментов упала на 67%.

2. Устаревшие документы. Если в базе лежат прайс 2025 года и прайс 2026 года, бот может взять любой. Держите одну актуальную версию и обновляйте базу сразу после правок на сайте или в регламенте.

3. Модель всё равно выдумывает. RAG снижает риск галлюцинаций, но не убирает его. Мой консультант при живой базе выдумал цену от 80 000 ₽, которой нигде не было. Ещё называл налоговые ставки и обещал записать клиента на звонок до того, как тот оставил телефон.

Запрет в инструкции модель слушает не всегда. Поэтому всё про деньги, ставки и обещания у меня проверяют фильтры в коде до того, как ответ увидит клиент. Нет цены в базе, значит клиент увидит фразу про расчёт на диагностике, что бы модель ни написала.

4. Поиск ничего не нашёл. Тогда модель тянется ответить по памяти. Лечится инструкцией и проверкой: если подходящих фрагментов нет, бот говорит, что уточнит специалист, и просит контакт.

Чат-бот для документов: готовые инструменты на октябрь 2026

Писать RAG с нуля не обязательно. Вот что есть из российских сервисов и открытых библиотек.

• AI-агенты Timeweb Cloud. База знаний создаётся в панели управления: загружаете файлы (до 100 за раз, каждый до 50 МБ), сервис индексирует их сам. Агента можно встроить на сайт как чат или подключить ботом в Telegram и Макс. Подходит без программиста.
• SaluteBot от Сбера. Бот по документам на GigaChat собирается в интерфейсе: загружаете PDF, тестируете, подключаете к каналу. Ограничения: только PDF или веб-страницы, до 300 000 слов на проект, файл до 50 МБ, только русский язык.
• Yandex AI Studio. Инструмент поиска по файлам работает с PDF, сканами, таблицами, аудио и видео до 1,55 ГБ. Поисковый индекс вмещает до 10 000 файлов по 128 МБ, в ответе можно показать файл-источник. По документации агент с поиском по файлам собирается через API, готового агента публикуют в Telegram, MAX или веб-виджет на сайте. Понадобится разработчик хотя бы на настройку.
• GigaChat API. Отдельные модели эмбеддингов для своей сборки, 14 ₽ за миллион токенов на октябрь 2026.
• Открытые библиотеки LangChain и LlamaIndex. Бесплатные, лицензия MIT. Дают готовые блоки для загрузки, нарезки, эмбеддингов, хранения и поиска. Это инструмент для программиста.

Что выбрать бизнесу без программиста

Мой порядок действий:

1. Соберите 30 реальных вопросов от клиентов или сотрудников. Из чатов, почты, звонков.
2. Почистите базу. Одна актуальная версия прайса и регламентов, без архивов и черновиков.
3. Попробуйте конструктор. Для внутренней базы знаний хватит Timeweb или SaluteBot. Загрузите документы и прогоните свои 30 вопросов.
4. Задайте неудобные вопросы. Про цены, которых нет, про сроки, про гарантии. Посмотрите, где бот выдумывает.
5. Решите по результату. Бот для сотрудников с редкими ошибками можно оставить в конструкторе. Бот для клиентов, который говорит про деньги и сроки, требует фильтров в коде, и тут уже нужен разработчик.

Как вы думаете, сколько из ваших 30 вопросов бот закроет сам? Обычно это видно за один вечер тестов.

Если хотите консультанта на сайт с базой по вашим страницам и фильтрами от выдумок, посмотрите, как я его внедряю, на странице ИИ-консультант для сайта. Можно начать с бесплатного созвона на 30 минут.

Источники

• Lewis и др. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, 2020
• Anthropic: глоссарий, определение RAG и fine-tuning
• Anthropic: Contextual Retrieval, база до 200 000 токенов, размер фрагментов, минус 67% неудачных поисков
• OpenAI: руководство по точности моделей, RAG и дообучение
• OpenAI: File Search, ссылки на файлы в ответе
• Yandex AI Studio: поисковые индексы Vector Store
• Yandex AI Studio: инструмент поиска по файлам
• Yandex AI Studio: текстовые агенты и каналы публикации
• Yandex Cloud: новые возможности поиска по файлам, март 2026
• Timeweb Cloud: базы знаний AI-агентов
• Timeweb Cloud: AI-агенты
• SaluteBot: создание бота по документам
• GigaChat: модель Embeddings, размерность и цена
• LangChain: как построить RAG
• LlamaIndex: этапы RAG