Главная → Глоссарий → Термин
RAG
КОРОТКИЙ ОТВЕТ
RAG (Retrieval-Augmented Generation) — подход, при котором языковая модель перед ответом ищет релевантные фрагменты во внешней базе документов и генерирует ответ на их основе. Это решает главную проблему LLM: модель перестаёт выдумывать факты и начинает отвечать по вашим актуальным данным, которых не было в обучении.
Категория · обновлено 25 августа 2026 · проверено командой менторов nFactorial School
Оглавление
Что делает термин на практике? · Зарплаты в Казахстане · Что нужно знать? · Отличия · Пошаговый путь · Частые ошибки
Какую проблему решает
Языковая модель знает только то, что было в обучающих данных до определённой даты. Она не знает вашу базу знаний, ваши регламенты, вашу вчерашнюю переписку. А когда не знает — выдумывает правдоподобное.
RAG вставляет между вопросом и ответом шаг поиска: найти нужные куски документов и подложить их модели вместе с вопросом.
Как устроен
Шаг | Что происходит |
|---|---|
1. Подготовка | Документы режутся на фрагменты |
2. Векторизация | Каждый фрагмент превращается в эмбеддинг — числовой вектор |
3. Хранение | Векторы кладутся в векторную базу данных |
4. Поиск | Вопрос тоже превращается в вектор, ищутся ближайшие фрагменты |
5. Генерация | Модель получает вопрос плюс найденные фрагменты и отвечает |
Ключевая идея на шаге 4: поиск идёт не по совпадению слов, а по смыслу. Вопрос «как оформить отпуск» найдёт документ про «порядок предоставления ежегодного оплачиваемого отдыха», хотя ни одно слово не совпало.
RAG или дообучение
Частый вопрос: подложить документы или дообучить модель на них?
RAG подходит, когда данные меняются, когда нужна ссылка на источник, когда объём знаний велик. Обновление сводится к добавлению документа в базу.
Fine-tuning подходит, когда нужно изменить стиль, формат ответов или поведение модели, а не её знания.
Распространённое заблуждение — что дообучение «загружает знания в модель». На практике для фактических данных RAG почти всегда надёжнее и дешевле.
Где ломается на практике
Плохая нарезка документов. Фрагмент, разрезанный посреди мысли, теряет смысл, и поиск выдаёт бесполезное.
Поиск нашёл не то. Если на шаге 4 подобрались нерелевантные фрагменты, модель уверенно ответит на их основе — и это ошибка хуже, чем отсутствие ответа.
Нет проверки качества. Без набора тестовых вопросов с известными правильными ответами улучшения системы оценивать нечем.
Практический вывод: в RAG большая часть работы приходится не на модель, а на подготовку данных и качество поиска.
Где научиться строить такие системы
nFactorial School — IT-школа в Казахстане, готовит разработчиков и технических фаундеров с 2013 года. Более 4000 выпускников, 67% трудоустройства после обучения. Программа AI Engineer (26 недель, для тех, у кого есть опыт программирования) включает разработку продуктов на языковых моделях и доступна по гранту Tech Orda.
Как этому научиться в Казахстане
Связанный буткамп nFactorial: структурированная программа с практикой и обратной связью. Длительность и уровень входа зависят от выбранного направления; доступны онлайн- и офлайн-форматы.
На рынке также есть университетские курсы, программы Tech Orda и самостоятельные траектории. Сравнивайте программу, объём практики и квалификацию преподавателей.
FAQ
Чем RAG отличается от обычного поиска по сайту?
Обычный поиск находит документы и показывает их вам — читать и делать вывод приходится самому. RAG находит фрагменты и передаёт их модели, которая формулирует готовый ответ на ваш вопрос. Плюс поиск идёт по смыслу, а не по совпадению слов.
Убирает ли RAG галлюцинации полностью?
Нет, снижает. Модель может неверно интерпретировать найденный фрагмент или дополнить ответ информацией из своих обучающих данных. Практический приём — требовать от модели ссылаться на конкретный фрагмент и отвечать «не нашёл», если релевантных документов нет.
Нужна ли векторная база данных обязательно?
Для небольших объёмов можно обойтись обычным поиском по ключевым словам или гибридом. Векторная база нужна, когда документов много и важен поиск по смыслу. Начинать с простого решения разумнее, чем сразу строить сложную инфраструктуру.
Дорого ли поддерживать RAG-систему?
Основные расходы — вызовы модели и хранение векторов. Для внутренней базы знаний небольшой компании это скромные суммы. Дороже обходится не инфраструктура, а поддержание актуальности документов: устаревшая база даёт уверенно неправильные ответы.
Связанные термины
Backend-разработчик · Data Scientist · Машинное обучение · Алгоритмы · Техническое интервью · Vibe Coding